本文轉(zhuǎn)載自微信公眾號「Python中文社區(qū)」，作者沂水寒城。轉(zhuǎn)載本文請聯(lián)系Python中文社區(qū)公眾號。

使用諸如梯度增強(qiáng)之類的決策樹方法的集成的好處是，它們可以從訓(xùn)練有素的預(yù)測模型中自動提供特征重要性的估計。

在本文中，您將發(fā)現(xiàn)如何使用Python中的XGBoost庫來估計特征對于預(yù)測性建模問題的重要性，閱讀這篇文章后，您將知道：

• 如何使用梯度提升算法計算特征重要性。
• 如何繪制由XGBoost模型計算的Python中的特征重要性。
• 如何使用XGBoost計算的特征重要性來執(zhí)行特征選擇。

梯度提升中的特征重要性

使用梯度增強(qiáng)的好處是，在構(gòu)建增強(qiáng)后的樹之后，檢索每個屬性的重要性得分相對簡單。通常，重要性提供了一個分?jǐn)?shù)，該分?jǐn)?shù)指示每個特征在模型中構(gòu)建增強(qiáng)決策樹時的有用性或價值。用于決策樹的關(guān)鍵決策使用的屬性越多，其相對重要性就越高。

此重要性是針對數(shù)據(jù)集中的每個屬性明確計算得出的，從而可以對屬性進(jìn)行排名并進(jìn)行相互比較。單個決策樹的重要性是通過每個屬性拆分點(diǎn)提高性能指標(biāo)的數(shù)量來計算的，并由節(jié)點(diǎn)負(fù)責(zé)的觀察次數(shù)來加權(quán)。性能度量可以是用于選擇拆分點(diǎn)的純度(基尼系數(shù))，也可以是其他更特定的誤差函數(shù)。然后，將特征重要性在模型中所有決策樹之間平均。有關(guān)如何在增強(qiáng)型決策樹中計算特征重要性的更多技術(shù)信息，請參見《統(tǒng)計學(xué)習(xí)的要素：數(shù)據(jù)挖掘，推理和預(yù)測》(第367頁)第10.13.1節(jié)“預(yù)測變量的相對重要性”。另外，請參見Matthew Drury對StackOverflow問題“ Boosting的相對變量重要性”的回答，在此他提供了非常詳細(xì)和實(shí)用的答案。

手動繪制特征重要性

訓(xùn)練有素的XGBoost模型會自動計算出您的預(yù)測建模問題中的特征重要性。這些重要性分?jǐn)?shù)可在訓(xùn)練模型的feature_importances_成員變量中獲得。例如，可以按如下所示直接打印它們：

print(model.feature_importances_) 

我們可以將這些得分直接繪制在條形圖上，以直觀表示數(shù)據(jù)集中每個特征的相對重要性。例如：

# plot 
pyplot.bar(range(len(model.feature_importances_)), model.feature_importances_) 
pyplot.show() 

我們可以通過在皮馬印第安人發(fā)病的糖尿病數(shù)據(jù)集上訓(xùn)練XGBoost模型并根據(jù)計算出的特征重要性創(chuàng)建條形圖來證明這一點(diǎn)。

下載數(shù)據(jù)集并將其放置在當(dāng)前工作目錄中。

數(shù)據(jù)集文件:

https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.csv

數(shù)據(jù)集詳細(xì)信息:

https://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.names

# plot feature importance manually 
from numpy import loadtxt 
from xgboost import XGBClassifier 
from matplotlib import pyplot 
# load data 
dataset = loadtxt('pima-indians-diabetes.csv', delimiter=",") 
# split data into X and y 
X = dataset[:,0:8] 
y = dataset[:,8] 
# fit model no training data 
model = XGBClassifier() 
model.fit(X, y) 
# feature importance 
print(model.feature_importances_) 
# plot 
pyplot.bar(range(len(model.feature_importances_)), model.feature_importances_) 
pyplot.show() 

注意：由于算法或評估程序的隨機(jī)性，或者數(shù)值精度的差異，您的結(jié)果可能會有所不同?？紤]運(yùn)行該示例幾次并比較平均結(jié)果。

首先運(yùn)行此示例將輸出重要性分?jǐn)?shù)。

[ 0.089701    0.17109634  0.08139535  0.04651163  0.10465116  0.2026578 0.1627907   0.14119601] 

我們還獲得了相對重要性的條形圖。

該圖的缺點(diǎn)是要素按其輸入索引而不是其重要性排序。我們可以在繪制之前對特征進(jìn)行排序。

值得慶幸的是，有一個內(nèi)置的繪圖函數(shù)可以幫助我們。

使用內(nèi)置XGBoost特征重要性圖XGBoost庫提供了一個內(nèi)置函數(shù)，可以按重要性順序繪制要素。該函數(shù)稱為plot_importance()，可以按以下方式使用：

# plot feature importance 
plot_importance(model) 
pyplot.show() 

例如，以下是完整的代碼清單，其中使用內(nèi)置的plot_importance()函數(shù)繪制了Pima Indians數(shù)據(jù)集的特征重要性。

# plot feature importance using built-in function 
from numpy import loadtxt 
from xgboost import XGBClassifier 
from xgboost import plot_importance 
from matplotlib import pyplot 
# load data 
dataset = loadtxt('pima-indians-diabetes.csv', delimiter=",") 
# split data into X and y 
X = dataset[:,0:8] 
y = dataset[:,8] 
# fit model no training data 
model = XGBClassifier() 
model.fit(X, y) 
# plot feature importance 
plot_importance(model) 
pyplot.show() 

注意：由于算法或評估程序的隨機(jī)性，或者數(shù)值精度的差異，您的結(jié)果可能會有所不同。考慮運(yùn)行該示例幾次并比較平均結(jié)果。

運(yùn)行該示例將為我們提供更有用的條形圖。

您可以看到，要素是根據(jù)它們在F0至F7的輸入數(shù)組(X)中的索引自動命名的。手動將這些索引映射到問題描述中的名稱，可以看到該圖顯示F5(體重指數(shù))具有最高的重要性，而F3(皮膚褶皺厚度)具有最低的重要性。

XGBoost特征重要性評分的特征選擇

特征重要性評分可用于scikit-learn中的特征選擇。這是通過使用SelectFromModel類完成的，該類采用一個模型，并且可以將數(shù)據(jù)集轉(zhuǎn)換為具有選定要素的子集。此類可以采用預(yù)訓(xùn)練的模型，例如在整個訓(xùn)練數(shù)據(jù)集上進(jìn)行訓(xùn)練的模型。然后，它可以使用閾值來確定要選擇的特征。當(dāng)您在SelectFromModel實(shí)例上調(diào)用transform()方法以一致地選擇訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集上的相同要素時，將使用此閾值。

在下面的示例中，我們首先訓(xùn)練，然后分別在整個訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集上評估XGBoost模型。使用從訓(xùn)練數(shù)據(jù)集計算出的特征重要性，然后將模型包裝在SelectFromModel實(shí)例中。我們使用它來選擇訓(xùn)練數(shù)據(jù)集上的特征，從選定的特征子集中訓(xùn)練模型，然后在測試集上評估模型，并遵循相同的特征選擇方案。

例如：

# select features using threshold 
selection = SelectFromModel(model, threshold=thresh, prefit=True) 
select_X_train = selection.transform(X_train) 
# train model 
selection_model = XGBClassifier() 
selection_model.fit(select_X_train, y_train) 
# eval model 
select_X_test = selection.transform(X_test) 
y_pred = selection_model.predict(select_X_test) 

出于興趣，我們可以測試多個閾值，以根據(jù)特征重要性選擇特征。具體來說，每個輸入變量的特征重要性，從本質(zhì)上講，使我們能夠按重要性測試每個特征子集，從所有特征開始，到具有最重要特征的子集結(jié)束。

下面提供了完整的代碼清單：

# use feature importance for feature selection 
from numpy import loadtxt 
from numpy import sort 
from xgboost import XGBClassifier 
from sklearn.model_selection import train_test_split 
from sklearn.metrics import accuracy_score 
from sklearn.feature_selection import SelectFromModel 
# load data 
dataset = loadtxt('pima-indians-diabetes.csv', delimiter=",") 
# split data into X and y 
X = dataset[:,0:8] 
Y = dataset[:,8] 
# split data into train and test sets 
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.33, random_state=7) 
# fit model on all training data 
model = XGBClassifier() 
model.fit(X_train, y_train) 
# make predictions for test data and evaluate 
y_pred = model.predict(X_test) 
predictions = [round(value) for value in y_pred] 
accuracy = accuracy_score(y_test, predictions) 
print("Accuracy: %.2f%%" % (accuracy * 100.0)) 
# Fit model using each importance as a threshold 
thresholds = sort(model.feature_importances_) 
for thresh in thresholds: 
 # select features using threshold 
 selection = SelectFromModel(model, threshold=thresh, prefit=True) 
 select_X_train = selection.transform(X_train) 
 # train model 
 selection_model = XGBClassifier() 
 selection_model.fit(select_X_train, y_train) 
 # eval model 
 select_X_test = selection.transform(X_test) 
 y_pred = selection_model.predict(select_X_test) 
 predictions = [round(value) for value in y_pred] 
 accuracy = accuracy_score(y_test, predictions) 
 print("Thresh=%.3f, n=%d, Accuracy: %.2f%%" % (thresh, select_X_train.shape[1], accuracy*100.0)) 

請注意，如果您使用的是XGBoost 1.0.2(可能還有其他版本)，則XGBClassifier類中存在一個錯誤，該錯誤會導(dǎo)致錯誤：

KeyError: 'weight' 

這可以通過使用自定義XGBClassifier類來解決，該類為coef_屬性返回None。下面列出了完整的示例。

# use feature importance for feature selection, with fix for xgboost 1.0.2 
from numpy import loadtxt 
from numpy import sort 
from xgboost import XGBClassifier 
from sklearn.model_selection import train_test_split 
from sklearn.metrics import accuracy_score 
from sklearn.feature_selection import SelectFromModel 
  
# define custom class to fix bug in xgboost 1.0.2 
class MyXGBClassifier(XGBClassifier): 
 @property 
 def coef_(self): 
  return None 
  
# load data 
dataset = loadtxt('pima-indians-diabetes.csv', delimiter=",") 
# split data into X and y 
X = dataset[:,0:8] 
Y = dataset[:,8] 
# split data into train and test sets 
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.33, random_state=7) 
# fit model on all training data 
model = MyXGBClassifier() 
model.fit(X_train, y_train) 
# make predictions for test data and evaluate 
predictions = model.predict(X_test) 
accuracy = accuracy_score(y_test, predictions) 
print("Accuracy: %.2f%%" % (accuracy * 100.0)) 
# Fit model using each importance as a threshold 
thresholds = sort(model.feature_importances_) 
for thresh in thresholds: 
 # select features using threshold 
 selection = SelectFromModel(model, threshold=thresh, prefit=True) 
 select_X_train = selection.transform(X_train) 
 # train model 
 selection_model = XGBClassifier() 
 selection_model.fit(select_X_train, y_train) 
 # eval model 
 select_X_test = selection.transform(X_test) 
 predictions = selection_model.predict(select_X_test) 
 accuracy = accuracy_score(y_test, predictions) 
 print("Thresh=%.3f, n=%d, Accuracy: %.2f%%" % (thresh, select_X_train.shape[1], accuracy*100.0)) 

注意：由于算法或評估程序的隨機(jī)性，或者數(shù)值精度的差異，您的結(jié)果可能會有所不同?？紤]運(yùn)行該示例幾次并比較平均結(jié)果。

運(yùn)行此示例將打印以下輸出。

Accuracy: 77.95% 
Thresh=0.071, n=8, Accuracy: 77.95% 
Thresh=0.073, n=7, Accuracy: 76.38% 
Thresh=0.084, n=6, Accuracy: 77.56% 
Thresh=0.090, n=5, Accuracy: 76.38% 
Thresh=0.128, n=4, Accuracy: 76.38% 
Thresh=0.160, n=3, Accuracy: 74.80% 
Thresh=0.186, n=2, Accuracy: 71.65% 
Thresh=0.208, n=1, Accuracy: 63.78% 

我們可以看到，模型的性能通常隨所選特征的數(shù)量而降低。

在此問題上，需要權(quán)衡測試集精度的特征，我們可以決定采用較不復(fù)雜的模型(較少的屬性，例如n = 4)，并接受估計精度的適度降低，從77.95%降至76.38%。

這可能是對這么小的數(shù)據(jù)集的洗禮，但是對于更大的數(shù)據(jù)集并使用交叉驗(yàn)證作為模型評估方案可能是更有用的策略。