視覺化特徵重要性：資料集中哪些特徵最重要
視覺化 XGBoost 模型的另一種方式，是在模型中檢視原始資料集中各特徵欄位的重要性。
一個簡單的方法，是統計在所有提昇輪次（樹）中，每個特徵被用來做切分的次數，然後依出現次數排序，將結果畫成長條圖。XGBoost 提供 plot_importance() 函式，正好能做到這件事，而你會在本練習中實際使用它！
本練習屬於課程
使用 XGBoost 的極端梯度提升
練習說明
- 和之前一樣，從
X與y建立DMatrix。 - 建立參數字典，設定合適的
"objective"（"reg:squarederror"）以及"max_depth"為4。 - 與上一個練習完全相同，使用
10個提昇輪次來訓練模型。 - 使用
xgb.plot_importance()，並傳入訓練後的模型，以產生特徵重要性的圖表。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# 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()