xgboost.plot_importance() 产生的图片大小更改

最新推荐文章于 2021-06-23 11:01:55 发布
最新推荐文章于 2021-06-23 11:01:55 发布
阅读量2.4k 收藏 7
点赞数 1
分类专栏： 数据挖掘
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/SanyHo/article/details/107866102
版权 
plt.rcParams["figure.figsize"] = (14, 8)
xgboost.plot_importance(xgb_clf)

在这里插入图片描述

Sany 何灿
关注
专栏目录
【ML】XGBoost中plot_importance参数详解
学无止境、积少成多、厚积薄发
10-11 1498
XGBoost中plot_importance参数详解
成功解决 将xgboost的plot_importance绘图时出现的f0、f1、f2、f3、f4、f5等改为对应特征的字段名
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
07-24 9886
成功解决 将xgboost的plot_importance绘图时出现的f0、f1、f2、f3、f4、f5等改为对应特征的字段名 目录 解决后的结果 解决问题 解决思路 解决方法 解决后的结果 目录 解决后的结果 解决问题 解决思路 解决方法 解决问题 xgboost的plot_importa...
matplotlib中的plot_importance画图大小控制
kaggle expert，全球排名前1000，清华计算机研究生，兴趣算法工程
04-12 8733
今天用plot_importance画图的时候，发现用matplotlib的正常设置图大小的方法无效，找遍网上也很少有办法，最后看别人代码终于找到解决办法。 fig,ax = plt.subplots(figsize=(15,15)) plot_importance(model, height=0.5, ax=ax, ...
xgboost的plot_importance绘图时出现的f0、f1、f2、f3、f4、f5等改为对应特征的字段名
折杨柳的博客
11-30 4912
将xgboost的plot_importance绘图时出现的f0、f1、f2、f3、f4、f5等改为对应特征的字段名 xgboost输出特征重要度 操作总结 进入xgboost.plot_importance函数定义, plotting.py , 把 booster.get_score(importance_type=importance_type) 改成 booster.get_score(importance_type=importance_type, fmap=fmap) 亲测好使 代码部分 # 调用
Python机器学习（六）-XGBoost调参
qq_29663489的博客
04-05 4451
转自：https://mp.weixin.qq.com/s?__biz=MzI2ODY5NjI2Mg==&mid=2247483759&idx=1&sn=69aefa04b283eba638854993e0384cb4&chksm=eaeaeec6dd9d67d0 当了建了一个模型，为了达到最佳性能，通常需要对参数进行调整。这样你的模型，才会像一碗加了辣油精心调制...
关于xgboost中feature_importances_和xgb.plot_importance不匹配的问题。
OriginPlan
10-15 2万+
model.feature_importances_是和原训练集中的列名相对应的！！！ 我一直从直觉上就这么觉得，因为如果不对应的话，那要怎么排列呢？ 1. model.feature_importances im=pd.DataFrame({'importance':model.feature_importances_,'var':data4.columns[:-1]}) im=im.s...
XGboost调参_自己练习
weixin_43615654的博客
11-18 612
主要参考：https://blog.csdn.net/kicilove/article/details/78413112#comments 开始： 导入库，加载数据 import pandas as pd import numpy as np import xgboost as xgb from xgboost.sklearn import XGBClassifier from sklearn ...
XGBoost参数设置中文版及XGBoost的Python模块解释
物是人非事事休 欲语泪湿春衫袖
06-29 4316
前言本文来源于 m_buddy 博主的《XGBoost参数解释》博文，进行了简单修改，原文链接。XGBoost参数官方文档：XGBoost Parameters (official guide)。XGBoost的Python模块介绍官方文档：Python Package Introduction在运行XGboost之前, 我们必须设置三种类型的参数: 通用参数（general parameters...
import pandas as pd from sklearn import metrics from sklearn.model_selection import train_test_split import xgboost as xgb import matplotlib.pyplot as plt import openpyxl # 导入数据集 df = pd.read_csv("/Users/mengzihan/Desktop/正式有血糖聚类前.csv") data=df.iloc[:,:35] target=df.iloc[:,-1] # 切分训练集和测试集 train_x, test_x, train_y, test_y = train_test_split(data,target,test_size=0.2,random_state=7) # xgboost模型初始化设置 dtrain=xgb.DMatrix(train_x,label=train_y) dtest=xgb.DMatrix(test_x) watchlist = [(dtrain,'train')] # booster: params={'booster':'gbtree', 'objective': 'binary:logistic', 'eval_metric': 'auc', 'max_depth':12, 'lambda':10, 'subsample':0.75, 'colsample_bytree':0.75, 'min_child_weight':2, 'eta': 0.025, 'seed':0, 'nthread':8, 'gamma':0.15, 'learning_rate' : 0.01} # 建模与预测：50棵树 bst=xgb.train(params,dtrain,num_boost_round=50,evals=watchlist) ypred=bst.predict(dtest) # 设置阈值、评价指标 y_pred = (ypred >= 0.5)*1 print ('Precesion: %.4f' %metrics.precision_score(test_y,y_pred)) print ('Recall: %.4f' % metrics.recall_score(test_y,y_pred)) print ('F1-score: %.4f' %metrics.f1_score(test_y,y_pred)) print ('Accuracy: %.4f' % metrics.accuracy_score(test_y,y_pred)) print ('AUC: %.4f' % metrics.roc_auc_score(test_y,ypred)) ypred = bst.predict(dtest) print("测试集每个样本的得分\n",ypred) ypred_leaf = bst.predict(dtest, pred_leaf=True) print("测试集每棵树所属的节点数\n",ypred_leaf) ypred_contribs = bst.predict(dtest, pred_contribs=True) print("特征的重要性\n",ypred_contribs ) xgb.plot_importance(bst,height=0.8,title='影响糖尿病的重要特征', ylabel='特征') plt.rc('font', family='Arial Unicode MS', size=14) plt.show()这个代码问题出在哪
最新发布
07-07
5. 特征重要性可视化问题：在最后一行代码中，使用了 xgb.plot_importance() 函数来绘制特征重要性图，但需要确保 matplotlib 库已正确安装。 请检查以上问题并进行修正，然后再次运行代码。如果仍然出现问题，请...
XGBoost笔记
小乖乖的臭坏坏
06-05 242
XGBoost输入数据：可以是np类型也可以是svm型 import xgboost as xgb data = np.random.random(5,10) label = np.random.random(2,size=5)#binary target dtrain = xgb.DMatrix(data, label =label) #可以进行缺省值处理，但是建议自己一个一个权值改，也可以给每一维特征分配一个权值 w = np.random.rand(5,1) dtrain = xgb.DMatrix(
2017.07.27回顾 ET和RT比较 高级切片 argsort barplot(yerr=) xgb.plot_importance
strwolf的专栏
07-28 3039
1、一到办公室写了上一日的小结 2、昨天帮同事拉进白名单，就只能顺带更新了channel rolling variable，运行良好 3、看了下ExtraRandomizedTrees和randomForest的文档，随机森林是有放回的抽样，样本数等于原始样本数，特征数随机子集，结果回归用average，分类用voting（但是sklearn的实现是对probability的average），
plot_importance参数
weixin_43387909的博客
05-07 1万+
参数 booster : 这里放入训练好的模型。model ax :设置画布大小的时候用。ax=ax grid : 设置网格。grid==True importance_type : 重要性的计算方式。importance_type=“weight”（默认，在树中出现的次数）；importance_type= “gain”（使用该特性的分割的平均增益）；importance_type=“cover” （分割的平均覆盖率，其中覆盖率定义为受分割影响的样本数） max_num_features :图上显示的最大
xgboost三种特征重要性选择方法
重剑无锋博客
06-23 5746
XGB 内置的三种特征重要性计算方法1 weight xgb.plot_importance 这是我们常用的绘制特征重要性的函数方法。其背后用到的贡献度计算方法为weight。 ‘weight’ - the number of times a feature is used to split the data across all trees. 简单来说，就是在子树模型分裂时，用到的特征次数。这里计算的是所有的树。这个指标在R包里也被称为frequency2。 gain model.feature_impo
如何画XGBoost里面的决策树
PIPIXIU的博客
01-14 1万+
xgboost画图时遇到如下若干坑 图像过小，看不清内容 只显示特征编号，不显示特征名 怎么把图像保存 解决方法：plot_tree画图在使用xgboost训练出模型xgbClf后:import xgboost as xgb from xgboost.sklearn import XGBClassifier xgbClf = XGBClassifier() xgbClf.fit(xTrain,yTr
python xgboost输出变量重要性_sklearn中xgboost模块中plot_importance函数（特征重要性）...
weixin_39887926的博客
01-28 1545
# -*- coding: utf-8 -*-"""################################################################################ 作者：wanglei5205# 邮箱：wanglei5205@126.com# 代码：http://github.com/wanglei5205# 博客：http://cnblogs.c...
sklearn中xgboost模块中plot_importance函数（特征重要性）
weixin_34177064的博客
08-22 6610
# -*- coding: utf-8 -*- """ ############################################################################### # 作者：wanglei5205 # 邮箱：wanglei5205@126.com # 代码：http://github.com/wanglei5205 # 博客：http://cn...
使用XGboost模块XGBClassifier、plot_importance来做特征重要性排序
小白tree的博客
09-01 1万+
anaconda安装xgboost库戳这儿 ''' 参考：http://www.shujuren.org/article/625.html ''' from numpy import loadtxt from xgboost import XGBClassifier from xgboost import plot_importance from matplotlib import pyplot...
scikit-learn实现|交叉验证 cross-validation 详解（5-Folds为例）| 分层采样
热门推荐
用途：中英文学习笔记，如有侵权，可评论留言，及时清理；学历：NUS计算机硕士；SYSU地球物理学士
04-01 2万+
一般来说，验证集越大，我们对模型质量的度量中的随机性（也称为“噪声”）就越小，它就越可靠。但是，通常我们只能通过划分出更多训练数据来获得一个大的验证集，而较小的训练数据集意味着更糟糕的模型！而交叉验证可是用来解决这个问题。 什么是交叉验证？ 在交叉验证中，我们将数据集等量划分成几个小的子集，然后对不同的子集运行建模过程，以获得每个子集模型的拟合效果的指标（可用MAE 平均绝对误差表示）。 我们...
PCA图 (主成分 biplot & 三维图) 绘制与解释 | python
用途：中英文学习笔记，如有侵权，可评论留言，及时清理；学历：NUS计算机硕士；SYSU地球物理学士
04-05 2万+
问题：如何绘制二维的主成分图，以及如何解释？ Code: import matplotlib.pyplot as plt import numpy as np def biplot(reduced_data, labels, pc, variable): """plot compositional biplot for two principle components :param reduced_data: data processed by PCA :param la
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值