XGBClassifier的功能重要性

Question

希望我读错了，但是在XGBoost库文档中，有注释说明了使用feature_importances_sklearn的随机森林很像地提取特征重要性属性。

但是，由于某种原因，我不断收到此错误： AttributeError: 'XGBClassifier' object has no attribute 'feature_importances_'

我的代码段如下：

from sklearn import datasets
import xgboost as xg
iris = datasets.load_iris()
X = iris.data
Y = iris.target
Y = iris.target[ Y < 2] # arbitrarily removing class 2 so it can be 0 and 1
X = X[range(1,len(Y)+1)] # cutting the dataframe to match the rows in Y
xgb = xg.XGBClassifier()
fit = xgb.fit(X, Y)
fit.feature_importances_

看来您可以Booster通过调用get_fscore属性使用该对象来计算功能重要性。我使用XGBClassifier过度的唯一原因Booster是因为它能够包裹在sklearn管道中。关于特征提取有什么想法吗？还有其他人遇到这个吗？

Answer 1

如评论所示，我怀疑您的问题是版本问题。但是，如果您不想/不能更新，那么以下功能应该为您工作。

def get_xgb_imp(xgb, feat_names):
    from numpy import array
    imp_vals = xgb.booster().get_fscore()
    imp_dict = {feat_names[i]:float(imp_vals.get('f'+str(i),0.)) for i in range(len(feat_names))}
    total = array(imp_dict.values()).sum()
    return {k:v/total for k,v in imp_dict.items()}


>>> import numpy as np
>>> from xgboost import XGBClassifier
>>> 
>>> feat_names = ['var1','var2','var3','var4','var5']
>>> np.random.seed(1)
>>> X = np.random.rand(100,5)
>>> y = np.random.rand(100).round()
>>> xgb = XGBClassifier(n_estimators=10)
>>> xgb = xgb.fit(X,y)
>>> 
>>> get_xgb_imp(xgb,feat_names)
{'var5': 0.0, 'var4': 0.20408163265306123, 'var1': 0.34693877551020408, 'var3': 0.22448979591836735, 'var2': 0.22448979591836735}