| name | scientific-feature-importance |
| description | 特徴量重要度分析のスキル。Tree-based Feature Importance と Permutation Importance を
用いて予測モデルの説明可能性を向上させる際に使用。
Scientific Skills Exp-05, 12, 13 で確立したパターン。
|
| tu_tools | [{"key":"openml","name":"OpenML","description":"特徴量選択ベンチマーク参照"}] |
Scientific Feature Importance Analysis
機械学習モデルの「どの特徴量が予測に最も寄与しているか」を定量化するスキル。
Tree-based Importance（MDI）と Permutation Importance の 2 手法を併用して
ロバストな解釈を提供する。
When to Use
- 機械学習モデルの予測結果を解釈したいとき
- どのプロセスパラメータが最も影響力を持つか知りたいとき
- 特徴量選択の根拠が必要なとき
- 複数ターゲット変数に対する重要度の比較
Quick Start
標準パイプライン
1. Tree-based Feature Importance（MDI）
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
def tree_feature_importance(model, feature_names, target_name,
top_n=10, figsize=(10, 6)):
"""
Tree ベースモデルの .feature_importances_ を取得して棒グラフで描画する。
RandomForest, GradientBoosting, ExtraTrees に対応。
"""
importances = model.feature_importances_
fi_df = pd.DataFrame({
"Feature": feature_names,
"Importance": importances,
}).sort_values("Importance", ascending=False)
fig, ax = plt.subplots(figsize=figsize)
top = fi_df.head(top_n)
ax.barh(range(len(top)), top["Importance"].values[::-1],
color="steelblue", edgecolor="black")
ax.set_yticks(range(len(top)))
ax.set_yticklabels(top["Feature"].values[::-1])
ax.set_xlabel("Feature Importance (MDI)")
ax.set_title(f"Feature Importance: {target_name}", fontweight="bold")
plt.tight_layout()
plt.savefig(f"figures/feature_importance_{target_name}.png",
dpi=300, bbox_inches="tight")
plt.close()
return fi_df
2. Permutation Importance
from sklearn.inspection import permutation_importance
def permutation_feature_importance(model, X_test, y_test, feature_names,
target_name, n_repeats=10,
top_n=10, figsize=(10, 6)):
"""
Permutation Importance を算出。モデルの種類によらず適用可能。
"""
result = permutation_importance(model, X_test, y_test,
n_repeats=n_repeats, random_state=42)
pi_df = pd.DataFrame({
"Feature": feature_names,
"Importance_mean": result.importances_mean,
"Importance_std": result.importances_std,
}).sort_values("Importance_mean", ascending=False)
fig, ax = plt.subplots(figsize=figsize)
top = pi_df.head(top_n)
ax.barh(range(len(top)), top["Importance_mean"].values[::-1],
xerr=top["Importance_std"].values[::-1],
color="coral", edgecolor="black", capsize=3)
ax.set_yticks(range(len(top)))
ax.set_yticklabels(top["Feature"].values[::-1])
ax.set_xlabel("Permutation Importance")
ax.set_title(f"Permutation Importance: {target_name}", fontweight="bold")
plt.tight_layout()
plt.savefig(f"figures/permutation_importance_{target_name}.png",
dpi=300, bbox_inches="tight")
plt.close()
return pi_df
3. マルチターゲット重要度パネル（Exp-13 パターン）
def multi_target_importance_panel(models_dict, feature_names,
top_n=10, ncols=3, figsize=(20, 16)):
"""
複数ターゲットの特徴量重要度を一つの Figure にまとめて描画する。
models_dict: {target_name: fitted_model}
"""
targets = list(models_dict.keys())
nrows = (len(targets) + ncols - 1) // ncols
fig, axes = plt.subplots(nrows, ncols, figsize=figsize)
axes = axes.flatten()
all_importances = []
for i, target in enumerate(targets):
model = models_dict[target]
if not hasattr(model, "feature_importances_"):
axes[i].text(0.5, 0.5, f"{target}\n(No FI available)",
ha="center", va="center", transform=axes[i].transAxes)
continue
importances = model.feature_importances_
fi_df = pd.DataFrame({
"Feature": feature_names,
"Importance": importances,
"Target": target,
}).sort_values("Importance", ascending=False)
all_importances.append(fi_df)
top = fi_df.head(top_n)
axes[i].barh(range(len(top)), top["Importance"].values[::-1],
color="steelblue", edgecolor="black")
axes[i].set_yticks(range(len(top)))
axes[i].set_yticklabels(top["Feature"].values[::-1], fontsize=8)
axes[i].set_xlabel("Importance", fontsize=9)
axes[i].set_title(target, fontweight="bold", fontsize=10)
for j in range(i + 1, len(axes)):
axes[j].set_visible(False)
plt.suptitle("Feature Importance by Target", fontsize=14, fontweight="bold")
plt.tight_layout()
plt.savefig("figures/feature_importance_panel.png", dpi=300, bbox_inches="tight")
plt.close()
if all_importances:
combined = pd.concat(all_importances, ignore_index=True)
combined.to_csv("results/feature_importance.csv", index=False)
return combined
return pd.DataFrame()
4. 部分依存プロット（PDP）
from sklearn.inspection import PartialDependenceDisplay
def partial_dependence_plots(model, X_train, feature_names,
top_features, target_name, figsize=(16, 10)):
"""上位特徴量の部分依存プロットを描画する。"""
feature_indices = [list(feature_names).index(f) for f in top_features
if f in feature_names]
fig, ax = plt.subplots(figsize=figsize)
PartialDependenceDisplay.from_estimator(
model, X_train, feature_indices,
feature_names=feature_names, ax=ax
)
plt.suptitle(f"Partial Dependence: {target_name}", fontweight="bold")
plt.tight_layout()
plt.savefig(f"figures/pdp_{target_name}.png", dpi=300, bbox_inches="tight")
plt.close()
パラメータ–物性マッピング表の自動生成
def generate_importance_mapping_table(all_fi_df, top_n=3):
"""各ターゲットの上位 N 特徴量をまとめた対応表を生成する。"""
mapping = []
for target in all_fi_df["Target"].unique():
subset = all_fi_df[all_fi_df["Target"] == target].nlargest(top_n, "Importance")
for rank, (_, row) in enumerate(subset.iterrows(), 1):
mapping.append({
"Target": target,
f"Rank_{rank}": row["Feature"],
f"Importance_{rank}": f"{row['Importance']:.4f}",
})
return pd.DataFrame(mapping)
ToolUniverse 連携
| TU Key | ツール名 | 連携内容 |
|---|
openml | OpenML | 特徴量選択ベンチマーク参照 |
References
Output Files
| ファイル | 形式 |
|---|
results/feature_importance.csv | CSV |
figures/feature_importance_*.png | PNG |
figures/permutation_importance_*.png | PNG |
figures/feature_importance_panel.png | PNG |
figures/pdp_*.png | PNG |
参照実験
- Exp-05: Tree-based + Permutation Importance（毒性予測）
- Exp-12: 6 モデルの特徴量重要度比較（エッチング）
- Exp-13: マルチターゲットパネル + パラメータ–物性マッピング表
