Visualisera särdragsvikt: Vilka särdrag är viktigast i min datamängd
Ett annat sätt att visualisera dina XGBoost-modeller är att undersöka hur viktigt varje särdrag i den ursprungliga datamängden är för modellen.
Ett enkelt sätt att göra detta är att räkna hur många gånger varje särdrag delas på tvärs över alla boostringsrundor (träd) i modellen, och sedan visualisera resultatet som ett stapeldiagram där särdragen sorteras efter hur ofta de förekommer. XGBoost har en plot_importance()-funktion som gör just detta – och i den här övningen får du prova den!
Den här övningen är en del av kursen
Extreme Gradient Boosting med XGBoost
Övningsinstruktioner
- Skapa din
DMatrixfrånXochysom tidigare. - Skapa ett parameterlexikon med lämpligt
"objective"("reg:squarederror") och ett"max_depth"på4. - Träna modellen med
10boostringsrundor, precis som i föregående övning. - Använd
xgb.plot_importance()och skicka in den tränade modellen för att generera grafen över särdragsvikt.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Create the DMatrix: housing_dmatrix
housing_dmatrix = ____
# Create the parameter dictionary: params
params = ____
# Train the model: xg_reg
xg_reg = ____
# Plot the feature importances
____
plt.show()