1.一般來說我們可以使用xgboost.get_score去畫圖，但是如果字段名字有中文時，是會報錯的
2.可以通過映射關系，從plot_importance的參數入手。但是可能會復雜一下。
3.可以使用xgb.DMatrix(tfeature_names=list)，這個方法簡單實用。
下面演示一下第三個方法：
train_x, test_x, train_y, test_y = train_test_split(data_x.values, data_y.values, test_size=0.3,random_state=1234,stratify=data_y) d_train = xgb.DMatrix(train_x, label=train_y,feature_names=list(data_x.columns)) d_valid = xgb.DMatrix(test_x, label=test_y,feature_names=list(data_x.columns)) watchlist = [(d_train, 'train'), (d_valid, 'valid')] #參數設置 params={ 'eta': 0.2, # 特征權重 取值范圍0~1 通常最后設置eta為0.01~0.2 'max_depth':3, # 通常取值：3-10 樹的深度 'min_child_weight':6, # 最小樣本的權重，調大參數可以防止過擬合 'gamma':0.3, 'subsample':0.8, #隨機取樣比例 'colsample_bytree':0.8, #默認為1 ，取值0~1 對特征隨機采集比例 'booster':'gbtree', #迭代樹 'objective': 'binary:logistic', #邏輯回歸，輸出為概率 'nthread':8, #設置最大的進程量，若不設置則會使用全部資源 'scale_pos_weight': 10, #默認為0，1可以處理類別不平衡 'lambda':1, #默認為1 'seed':1234, #隨機數種子 'silent':1 , #0表示輸出結果 'eval_metric': 'auc' # 檢驗指標 } bst = xgb.train(params, d_train,1000,watchlist,early_stopping_rounds=500, verbose_eval=10) tree_nums=bst.best_ntree_limit print('最優模型樹的數量：%s，auc：%s' % (bst.best_ntree_limit, bst.best_score)) #最優模型樹的數量：81，auc：0.870911 bst = xgb.train(params, d_train,tree_nums,watchlist,early_stopping_rounds=500, verbose_eval=10) #joblib.dump(bst, 'd:/xgboost.model') #保存模型 ########### plot_importance(bst,max_num_features=20) plt.show()
按照一般的建模流程做就可以，不必在意是否能運行上面這段代碼