for i, feature in enumerate(data.feature_names): print(f"{feature}: {importance[i]}")

这段代码是一个循环，用于遍历`data.feature_names`中的特征名称，并打印每个特征的重要性评估值。

`enumerate()`函数用于同时获取索引和元素值，`i`代表索引，`feature`代表特征名称。通过`enumerate(data.feature_names)`，可以依次遍历每个特征名称。

在每次循环中，使用`importance[i]`来获取对应特征的重要性评估值，并使用`print()`函数将特征名称和对应的重要性评估值打印出来。`f"{feature}: {importance[i]}"`是一个格式化字符串，用于将特征名称和对应的重要性评估值拼接成一条字符串进行打印。

相关问题

lightgbm调用feature importance

在 LightGBM 中，可以通过调用 `feature_importance()` 函数来获取每个特征的重要性得分。该函数返回一个包含每个特征得分的列表，列表的顺序与特征在训练数据中的顺序相同。

以下是一个示例代码，展示了如何使用 `feature_importance()` 函数：

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

# 加载数据集
boston = load_boston()
X, y = boston.data, boston.target
feature_names = boston.feature_names

# 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
params = {
    'boosting_type': 'gbdt',
    'objective': 'regression',
    'metric': 'mse',
    'num_leaves': 31,
    'learning_rate': 0.05
}
lgb_train = lgb.Dataset(X_train, y_train)
lgb_test = lgb.Dataset(X_test, y_test, reference=lgb_train)
model = lgb.train(params, lgb_train, num_boost_round=1000, valid_sets=lgb_test, early_stopping_rounds=100)

# 获取每个特征的重要性得分
importance_list = model.feature_importance()
importance_dict = {feature_names[i]: score for i, score in enumerate(importance_list)}
importance_df = pd.DataFrame.from_dict(importance_dict, orient='index', columns=['Score'])
importance_df = importance_df.sort_values(by='Score', ascending=False)

# 输出特征重要性得分
print(importance_df)

在上面的代码中，首先加载了波士顿房价数据集，然后将其划分为训练集和测试集。接着定义了 LightGBM 模型，并在训练集上进行训练。最后，调用 `feature_importance()` 函数获取每个特征的重要性得分，并将其转化为 DataFrame 类型并按得分从高到低排序输出。