如何使用xgboost.XGBCClassifier.feature_importances_模型画图？(Matplotlib)

在机器学习中，模型的特征重要性一直是一个很重要的问题。许多算法都提供了某些方法来估计模型特征的重要性。在XGBoost中，我们通过XGBCClassifier.feature_importances_来获取每个特征的重要性得分。本文将讲解如何使用Matplotlib来绘制特征重要性的柱状图。

XGBCClassifier.feature_importances_

首先，我们需要清楚XGBCClassifier的feature_importances_属性来自哪里。由于XGBoost是一种集成模型，该属性是由所有弱学习器的特征重要性得分（以树的形式）的加权平均值计算得出的。因此，该属性表示每个特征对预测的整体贡献程度。让我们看一下一个简单的例子来理解它：

from xgboost import XGBClassifier
from sklearn.datasets import load_breast_cancer

data = load_breast_cancer()
X, y = data.data, data.target

model = XGBClassifier()
model.fit(X, y)

importances = model.feature_importances_
print(importances)

执行上述代码，可以输出每个特征的重要性得分。

使用Matplotlib绘制柱状图

接下来，我们将使用Matplotlib来绘制柱状图，以更直观地查看特征重要性得分。我们将先将特征得分从高到低排列，然后将它们绘制为一个垂直条形图，其中每个条形表示一个特征，其高度表示该特征的得分。

importances = pd.Series(importances, index=data.feature_names)
importances.sort_values().plot(kind='barh')
plt.title("Feature Importances")
plt.show()

在这个例子中，我们把特征名作为了水平柱形图中每个条形的标签。您可以轻松地编辑此代码，以使柱形图适应任何大小的数据。

编辑样式和颜色

您可以根据需要编辑图形的样式和颜色。在下面的代码中，我们演示了如何更改柱状图的颜色和方向。我们还添加了每个柱形顶部的数字，以方便附加信息。

import numpy as np

# Sort features by importance
indices = np.argsort(importances)[::-1]

# Rearrange feature names so they match the sorted order
names = [data.feature_names[i] for i in indices]

# Create plot
plt.figure(figsize=(20, 10))
plt.title("Feature Importances")
plt.bar(range(X.shape[1]), importances[indices])
plt.xticks(range(X.shape[1]), names, rotation=90)
plt.xlabel('Features')
plt.ylabel('Relative Importance')

# Add numbers at top of each bar
for i in range(X.shape[1]):
    plt.text(i, importances[indices][i], round(importances[indices][i], 3), ha='center')

plt.show()