使用するアルゴリズム

リッジ回帰
ラッソ回帰
重回帰
決定木
ランダムフォレスト
エキストラツリー

以上を対象に，重要度評価をして円グラフに可視化する．

大まかなプログラムの流れ

各アルゴリズムをforで回しながらインスタンス化
重要度を算出
plt.add_subplotでそれぞれを円グラフに

ソースコード

Xとyを定義してるのを前提としています．

main

X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)


models = (Ridge(alpha=0.01),
         Lasso(alpha=0.01), 
         LinearRegression(),
         DecisionTreeRegressor(random_state=0,max_depth=4),
         RandomForestRegressor(max_features=3,random_state=0,max_depth=14, n_estimators=100),
         ExtraTreesRegressor(random_state=0,n_estimators=100,max_depth=5)
        )

fig = plt.figure(figsize = (24,12))

for num,model in enumerate(models):
    feature = Regression(model)
    plot_model(feature,X.collumns)
fig.tight_layout()
plt.savefig('figure.png',bbox_inches='tight',pad_inches=0.05)

ここに，Regression()はモデルを引き渡し，重要度評価をしてくれる関数として定義しています．
try文で木かそれ以外かを場合分けしてるけど，これが最適とは思いにくい．

Regression(model)

def Regression(model):
    model.fit(X_train, y_train)
    try:
        x = model.feature_importances_ #木ならこっち
    except:
        x = model.coef_  # リッジ，ラッソ，重回帰ならこっち
    
    y_pred = model.predict(X_test)
    
    kf = KFold(n_splits=5, shuffle=True, random_state=1)
    result = cross_val_score(model,X,y,scoring='neg_root_mean_squared_error',cv=kf)
    
    print(str(model))
    print("RMSE:", -1*result.mean())
    print("-"*40)
    return abs(x)

続いて，plot_model()は重要度とラベルを引数にとって可視化する関数．

plot_model(x,labels)

def plot_model(x,labels):
    fig.patch.set_facecolor('white')
    idx = np.argsort(-x)
    ax = fig.add_subplot(2, 3, num+1)
    
    ax.pie(x[idx], autopct=lambda p:'{:.1f}%'.format(p) if p>=4.0 else '',
           pctdistance=0.8, startangle=90, counterclock=False,
           # labeldistance=1.2,
           # radius=0.8,
           textprops={'color': "black",'fontweight': 'bold'} # 'size': 'small'
          )
    ax.set_title(str(model))
    ax.legend(labels[idx],fancybox=True,loc='center left',bbox_to_anchor=(0.9,0.5))

そんでできるのがコレ．凡例は一部を隠しています（テキトーに用意するのが面倒くさかった）．

参考