lgb特征重要性的python代码

下面是使用LightGBM计算特征重要性的Python代码示例：

import lightgbm as lgb
import numpy as np
import pandas as pd
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split

# 加载数据
data = load_boston()
X = pd.DataFrame(data.data, columns=data.feature_names)
y = data.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 定义LightGBM模型
lgb_model = lgb.LGBMRegressor()

# 训练模型
lgb_model.fit(X_train, y_train)

# 计算特征重要性
importance = lgb_model.feature_importances_

# 将特征重要性从高到低排序
sorted_idx = np.argsort(importance)[::-1]

# 打印特征重要性排名
for i in range(X_train.shape[1]):
    print("{} feature: {} ({})".format(i+1, X_train.columns[sorted_idx[i]], importance[sorted_idx[i]]))

在这个示例中，我们使用了波士顿房价数据集，并将数据集划分为训练集和测试集。我们定义了一个LightGBM模型，并使用训练集拟合了模型。然后，我们使用LightGBM内置方法计算了特征重要性，并将其从高到低排序。最后，我们打印了特征重要性排名。

请注意，特征重要性的计算方法因算法而异，因此在使用其他算法时，代码可能会略有不同。