首页xgboost特征重要性代码

xgboost特征重要性代码

时间: 2025-01-18 11:38:50 AIGC 浏览: 57

### 使用XGBoost获取特征重要性的Python示例为了展示如何通过XGBoost获取特征重要性，在Python环境中可以采用如下方法： ```python import xgboost as xgb from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split import matplotlib.pyplot as plt import numpy as np # 加载数据集并划分训练测试集合 data = load_iris() X_train, X_test, y_train, y_test = train_test_split(data.data, data.target, test_size=0.2, random_state=42) # 训练XGBoost分类器 model = xgb.XGBClassifier(use_label_encoder=False, eval_metric='mlogloss') model.fit(X_train, y_train) # 获取特征重要性 importance = model.get_booster().get_score(importance_type='weight') # 将特征重要性转换为可绘图的形式 keys = list(importance.keys()) values = list(importance.values()) # 绘制柱状图显示各个特征的重要性得分 plt.figure(figsize=(8, 6)) plt.bar(range(len(importance)), values, tick_label=keys) plt.title('Feature importance based on weights') plt.tight_layout() plt.show() print("Feature importance:", importance) ``` 上述代码展示了加载Iris数据集，分割成训练集和测试集之后，创建了一个`XGBClassifier`实例来进行拟合操作。完成模型构建后，调用了`get_booster().get_score()`函数来提取基于权重的特征重要性分数[^1]。值得注意的是，除了'weight'之外，还有其他类型的特征重要性指标可供选择，比如gain（增益），cover（覆盖范围）。不同的评估标准可能会给出略有差异的结果，因此可以根据具体应用场景和个人偏好做出适当调整[^2]。

阅读全文