xgboost敏感性分析

XGBoost（eXtreme Gradient Boosting）是一个强大的梯度提升库，尤其在机器学习中被广泛用于分类和回归任务。关于XGBoost的敏感性分析，它主要是用来评估模型预测结果对输入特征变化的敏感程度，即特征的重要性程度。这种分析有助于我们理解哪些特征对模型预测的影响最大。

在XGBoost中，你可以使用如下的方法进行敏感性分析：

1. 特征重要性：XGBoost内置了`get_score`或`get_booster`方法，可以直接获取每个特征的贡献分数（Feature Importance），这是基于它们在模型中的增益（Gain）或信息增益（Info Gain）来计算的。

2. 局部敏感性分析（Local Sensitivity Analysis, LSA）：你可以对单个样本的预测结果，查看当特定特征发生变化时，模型输出如何响应。这可以通过修改特征值并重新训练模型来进行。

3. 特征突变分析：随机改变特征值，观察模型性能的变化，这可以帮助识别是否存在非线性或非单调关系。

相关问题：
1. 如何在XGBoost中查看特征重要性？
2. 局部敏感性分析如何帮助我们优化模型？
3. XGBoost是否支持自定义特征突变策略？