用 XGBoost 在 Python 中进行特征重要性分析和特征选择

使用诸如梯度增强之类的决策树方法的集成的好处是，它们可以从训练有素的预测模型中自动提供特征重要性的估计。在本文中，您将发现如何使用Python中的XGBoost库来估计特征对于预测性建模问题的重要性，阅读这篇文章后，您将知道：如何使用梯度提升算法计算特征重要性。如何绘制由XGBoost模型计算的Python中的特征重要性。如何使用XGBoost计算的特征重要性来执行特征选择。梯度提升中的特征重要性使用梯度增强的好处是，在构建增强后的树之后，检索每个属性的重要性得分相对简单。通常，重要性提供了一个分数，该分数指示每个特征在模型中构建增强决策树时的有用性或价值。用于决策树的关键决策使用的属性越多，其相对重要性就越高。此重要性是针对数据集 ………………………………