参数

默认参数格式：

plot_importance(booster, ax=None, height=0.2,xlim=None, ylim=None, title='Feature importance',xlabel='F score', ylabel='Features',importance_type='weight', max_num_features=None,grid=True, show_values=True, **kwargs)

booster : 这里放入训练好的模型。model
ax :设置画布大小的时候用。ax=ax
height :图中柱子的宽度，默认为0.2。height=0.5
xlim : x轴值的范围。xlim =（0，20）最小值为0，最大值为20
ylim : y轴值的范围。ylim =（0，20）最小值为0，最大值为20
title : 标题，默认为"Feature importance"。title=‘特征重要性排序’
xlabel :x轴标签，默认为"F score"。xlabel=‘得分’
ylabel : y轴标签，默认为"Features"。ylabel=‘特征’
importance_type : 重要性的计算方式。importance_type=“weight”（默认，在树中出现的次数/作为划分属性的次数）；importance_type= “gain”（使用该特性分割的平均增益/loss平均的降低）；importance_type=“cover” （分割的平均覆盖率，其中覆盖率定义为受分割影响的样本数/对样本的覆盖度）
max_num_features :图上显示的最大主要特征数，默认为全部显示。max_num_features=10（画出前10个重要特征）
grid : 设置网格，默认为True。grid=False
show_values :显示特征重要性值，默认为True。show_values = False
kwargs : 发送一个键值对的可变数量的参数列表给函数

设置画布大小可以这样写：

from xgboost import plot_importance
fig,ax = plt.subplots(figsize=(25,15))
plot_importance(model,height=0.5, ax=ax,max_num_features=64)

如果importance_type选择gain或者cover，图片中的数值会非常长，如果想缩短数值的长度方法如下：

方式1—直接变为整数（不建议，可以试一下，画出来就知道了）
找到你xgboost安装包的路径（比如：C:\ProgramData\Anaconda3\Lib\site-packages\xgboost），里面有个py文件plotting.py，在113行左右，有一句ax.text(x + 1, y, x, va=‘center’)改为ax.text(x + 1, y, int(x), va=‘center’)，保存后需要restart代码
方式2—保留n位小数（推荐）
找到你xgboost安装包的路径（比如：C:\ProgramData\Anaconda3\Lib\site-packages\xgboost），里面有个py文件plotting.py，修改两个地方：1、在plot_importance参数中增加一个参数r = 4（即保留4位小数，保留几位写几即可）2、在113行左右，有一句ax.text(x + 1, y, x, va=‘center’)改为ax.text(x + 1, y, round(x, r), va=‘center’)，保存后需要restart代码
方式3—导出model中的数据自己画图
model.get_booster().get_score(importance_type=‘gain’)

备注：想要改变图形中的任何地方都可以在这个文件（plotting.py）中找到对应的代码进行修改

例如想改变数值与柱子之间的距离，可以修改ax.text(x + 1, y, round(x, r), va=‘center’)里面的x+1，变为x则是0距离，也可以加任意的距离值

plot_importance参数相关推荐

sklearn之XGBModel：XGBModel之feature_importances_、plot_importance的简介、使用方法之详细攻略
sklearn之XGBModel:XGBModel之feature_importances_.plot_importance的简介.使用方法之详细攻略目录 feature_importances_ ...
【机器学习】信用卡欺诈检测｜用启发式搜索优化XGBoost超参数
本文将展示如何使用模拟退火[1]启发式搜索[2]机器学习算法中超参数的最佳组合.这些方法比盲随机生成参数得到的模型效果好.另外,模型效果最好是分别微调每个超参数,因为它们之间通常存在交互. 模拟退火简 ...
LightGBM 重要参数、方法、函数理解及调参思路、网格搜索（附例子）
文章目录一.LightGBM 原生接口重要参数训练参数预测方法绘制特征重要性分类例子回归例子二.LightGBM 的 sklearn 风格接口 LGBMClassifier 基本使用 ...
XGBoost 重要参数、方法、函数理解及调参思路（附例子）
文章目录一.xgboost 原生接口重要参数训练参数预测函数绘制特征重要性分类例子回归例子二.xgboost 的 sklearn 风格接口 XGBClassifier 基本使用例子 ...
使用XGboost模块XGBClassifier、plot_importance来做特征重要性排序——修改f1,f2等字段
如果你还不知道如何使用XGboost模块XGBClassifier.plot_importance来做特征重要性排序,戳这个网址即可. 下面我们讲一个全网都没好好讲的问题:如何修改f1,f2成对应的特 ...
LightGBM参数
参考:https://www.freesion.com/article/76441004344/#LightGBM__sklearn__329 https://blog.csdn.net/qq_397 ...
XGboost和GBDT区别及解读XGboost参数
GBDT和XGBoost区别传统的GBDT以CART树作为基学习器,XGBoost还支持线性分类器,这个时候XGBoost相当于L1和L2正则化的逻辑斯蒂回归(分类)或者线性回归(回归): 传统的G ...
在Dockerfile中设置G1垃圾回收器参数
在Dockerfile中设置G1垃圾回收器参数 ENV JAVA_OPTS="\ -server \ -XX:SurvivorRatio=8 \ -XX:+DisableExplicitGC ...
Java Calendar.add()方法的使用，参数含义。指定时间差。
cal.add()方法中的参数含义: 第一个参数如果是1则代表的是对年份操作,2是对月份操作,3是对星期操作,5是对日期操作,11是对小时操作,12是对分钟操作,13是对秒操作,14是对毫秒操作. 第 ...

plot_importance参数

参数

设置画布大小可以这样写：

如果importance_type选择gain或者cover，图片中的数值会非常长，如果想缩短数值的长度方法如下：

备注：想要改变图形中的任何地方都可以在这个文件（plotting.py）中找到对应的代码进行修改

plot_importance参数相关推荐

最新文章

热门文章