如何单独绘制XGBoost模型的gain、cover、weight特征重要性？

嘿，这个问题我太熟悉了！XGBoost自带的plot_importance函数其实内置了对这些指标的支持，根本不用手动提取数据再自己绘图——只需要指定importance_type参数就能轻松切换展示不同的特征重要性指标。

先简单捋一下这几个指标的含义，方便你理解每个图的意义：

• weight：特征在所有决策树中被用作分裂节点的总次数，代表特征被模型“依赖”的频率
• gain：特征在所有分裂中带来的总增益值，是衡量特征对模型性能贡献最核心的指标
• coverage：特征参与分裂时涉及的样本数量占比，反映特征影响的样本范围

单独绘制单个指标的代码示例 #

假设你已经训练好了xgboost_model，只需要结合matplotlib和XGBoost的绘图函数即可：

首先确保导入所需库：

import xgboost as xgb
import matplotlib.pyplot as plt

1. 绘制Weight指标

plt.figure(figsize=(10, 6))
# 指定importance_type为'weight'
xgb.plot_importance(xgboost_model, importance_type='weight', title='Feature Importance (Weight)')
plt.show()

2. 绘制Gain指标

plt.figure(figsize=(10, 6))
# 指定importance_type为'gain'
xgb.plot_importance(xgboost_model, importance_type='gain', title='Feature Importance (Gain)')
plt.show()

3. 绘制Coverage指标

注意这里参数是'cover'（不是拼写完整的'coverage'）：

plt.figure(figsize=(10, 6))
# 指定importance_type为'cover'
xgb.plot_importance(xgboost_model, importance_type='cover', title='Feature Importance (Coverage)')
plt.show()

进阶：同时对比三个指标（子图布局） #

如果想把三个指标的图放在一起对比，用matplotlib的子图功能就能实现：

# 创建1行3列的子图布局，设置合适的画布大小
fig, axes = plt.subplots(1, 3, figsize=(22, 7))

# 分别在三个子图中绘制不同指标
xgb.plot_importance(xgboost_model, importance_type='weight', title='Weight', ax=axes[0])
xgb.plot_importance(xgboost_model, importance_type='gain', title='Gain', ax=axes[1])
xgb.plot_importance(xgboost_model, importance_type='cover', title='Coverage', ax=axes[2])

# 自动调整子图间距，避免标题和标签重叠
plt.tight_layout()
plt.show()

版本兼容提醒 #

在Python3.7环境下，只要你的XGBoost版本在0.80及以上（这个版本完全兼容Python3.7），上述代码就能正常运行。如果遇到参数不识别的问题，可以通过以下命令升级XGBoost：

pip install --upgrade xgboost==1.6.2  # 1.6.2是兼容Python3.7的稳定版本

内容的提问来源于stack exchange，提问作者guagay_wk