Trazar variables de importancia xgboost Python

Revisamos de forma exhaustivamente cada una de las noticias en nuestra web con la meta de mostrarte siempre la información veraz y certera.

Solución:

Hay un par de puntos:

1. Para ajustar el modelo, desea utilizar el conjunto de datos de entrenamiento (X_train, y_train), no todo el conjunto de datos (X, y).
2. Puedes usar el max_num_features parámetro de la plot_importance() función para mostrar solo la parte superior max_num_features características (por ejemplo, 10 principales).

Con las modificaciones anteriores a su código, con algunos datos generados aleatoriamente, el código y la salida son los siguientes:

import numpy as np

# generate some random data for demonstration purpose, use your original dataset here
X = np.random.rand(1000,100)     # 1000 x 100 data
y = np.random.rand(1000).round() # 0, 1 labels

from xgboost import XGBClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
seed=0
test_size=0.30
X_train, X_test, y_train, y_test = train_test_split(X,y,test_size=test_size, random_state=seed)
from xgboost import XGBClassifier
model = XGBClassifier()
model.fit(X_train, y_train)
import matplotlib.pylab as plt
from matplotlib import pyplot
from xgboost import plot_importance
plot_importance(model, max_num_features=10) # top 10 most important features
plt.show()

Si entiendes que te ha resultado de provecho nuestro artículo, agradeceríamos que lo compartas con más entusiastas de la programación de esta manera contrubuyes a dar difusión a esta información.

---

---

Utiliza Nuestro Buscador