如何在Python中使用XGBoost库进行模型的特征重要性评估并展示指标的重要性分析代码？

在Python中，XGBoost库提供了一个名为`get_booster()`的方法，可以获取训练好的 booster 对象，然后通过`feature_importance()`函数来评估特征的重要性。以下是使用XGBoost进行特征重要性评估的基本步骤：

# 首先，假设我们已经有了一个预训练的XGBClassifier模型 xgb_model
from xgboost import XGBClassifier

xgb_model = XGBClassifier()  # 实例化模型
xgb_model.fit(X_train, y_train)  # 使用训练数据拟合模型

# 获取booster对象
booster = xgb_model.get_booster()

# 计算特征重要性
importances = booster.feature_importance()

# 打印特征重要性列表
print("Feature Importances:")
for feature, importance in zip(feature_names, importances):
    print(f"{feature}: {importance}")

# 可以选择排序并可视化特征重要性
importances_sorted = sorted(zip(feature_names, importances), key=lambda x: x[1], reverse=True)
top_features = [f"Top Feature: {i+1}, Score: {importance}" for i, (feature, importance) in enumerate(importances_sorted[:5])]
print("\n".join(top_features))