原⽣xgboost中如何输出feature_importance
⽹上教程基本都是清⼀⾊的使⽤sklearn版本，此时的XGBClassifier有⾃带属性feature_importances_，⽽特征名称可以通过model._Booster.feature_names获取，但是对应原⽣版本，也就是通过DMatrix构造，通过ain训练的模型，如何获取feature_importance?⽽且，⼆者获取的feature_importance⼜有何不同？
1.通过阅读官⽅⽂档adthedocs.io/en/latest/python/python_api.html，发现sklearn版本初始化时会指定⼀个默认参数
人物名片
显⽽易见，最后获取的feature_importances_就是gain得到的
幸福的方法读后感2.⽽原⽣版本初始化时没有importance_type参数，真正获取feature_importance时通过_score(importance_type="gain")获取，（另外⼀个⽅法get_fscore()就是怎么赞美别人
怎么清洗螃蟹
get_score(importance_type="weight")，⼆者实现⼀样。）
注意这⾥默认参数是"weight"，就是指每个特征被⽤于分割的使⽤次数。如果对标skelearn版本需要指定“gain”，这⾥gain是指平均增益，另外，skelearn版本返回的importance 是0-1形式，⽽原⽣版本返回的是很⼤的⼩数形式，对标的话可以通过除以总和得到，结果如图春问
3.⾄于什么时候⽤weight，什么时候⽤gain，其实各有说法。实际上，判断特征重要性共有三个维度，⽽在实际中，三个选项中的每个选项的功能重要性排序都⾮常不同
旧字开头的成语
1. 权重。在所有树中⼀个特征被⽤来分裂数据的次数。
2. 覆盖。在所有树中⼀个特征被⽤来分裂数据的次数，并且有多少数据点通过这个分裂点。
椰青怎么打开3. 增益。使⽤特征分裂时平均训练损失的减少量
是什么使得衡量特征重要性的度量好或者坏？
如何⽐较⼀种特征归因⽅法与另⼀种特征归因⽅法并不容易。我们可以度量每种⽅法的最终⽤户性能，例如数据清理、偏差检测等。但这些只是对特征归因⽅法好坏的间接测量。在这⾥，我们将定义两个属性，我们认为任何好的特征归因⽅法应该遵循：
假如我是爸爸1. ⼀致性。每当我们更改模型以使其更依赖于某个特征时，该特征的归因重要性不应该降低。
2. 准确性。所有特征重要性的总和应该等于模型的总重要性。（例如，如果重要性由R²值测量，那么每个特征的属性应该与完整模型的R²相等）
如果⼀致性不成⽴，那么我们不能⽐较任意两个模型之间的归因重要性，因为具有较⾼分配归因特征，并不意味着模型实际上更多地依赖于该特征。
如果精度未能保持，那么我们不知道每个特征的属性如何组合以表⽰整个模型的输出。我们不能在⽅法完成后对归因进⾏规范化，因为这可能会破坏⽅法的⼀致性
这⾥推荐使⽤shap，可以全⾯的判断特征重要性，⽽且对xgboost和lightgbm都有集成，可视化也相当不错。详细可看
附：lightgbm和xgboost类似，
