Xgboost模型之二特征重要性计算及模型的特征选择

本文介绍了如何利用Xgboost进行特征重要性计算,并通过SelectFromModel选择最优特征,以Pima印第安人糖尿病数据集为例,探讨不同特征数量对模型准确性的影响。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

XGBOOST模型对于一些场景有着不错的表现,切提供了一个很多的特征重要性的计算:

准备:

把一些用到的包安装一下,如xgboost,sklearn等

建议使用国内的镜像源,否则106M会让你等很久,

具体可以参考:

pip安装包较慢的解决办法_这孩子谁懂哈的博客-优快云博客

1.使用的 Pima印第安人糖尿病的测试数据集;

下载地址:皮马印第安人糖尿病数据集免费下载分享-机器学习文档类资源-优快云下载

2.计算特征重要性:

# plot feature importance manually
from numpy import loadtxt
from xgboost import XGBClassifier
from xgboost import plot_importance
from matplotlib import pyplot
import sklearn
# load data   FE_pima-indians-diabetes.csv
dataset = loadtxt(r'C:\Users\Administrator\Desktop\pima-indians-diabetes.csv', delimiter=",",skiprows=1)
# split data into X and y
X = dataset[:,0:8]
y = dataset[:,8]
# fit model no training data
m
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值