代码如下所示：
# -*- coding: utf-8 -*- #导入需要的包 import matplotlib.pyplot as plt from sklearn import datasets from sklearn.model_selection import train_test_split from sklearn.metrics import roc_auc_score from xgboost import XGBClassifier from xgboost import plot_importance ### 加载数据集，这里直接使用datasets包里面的波士顿房价数据 boston=datasets.load_breast_cancer() #输出数据集的形状，该数据集里面有569个样本，每个样本有30个特征(569, 30) print(boston.data.shape) #输出标签的个数为 569 print(boston.target.shape) # 使用train_test_split()函数对训练集和测试集进行划分，第一个参数是数据集特征，第二个参数是标签，第三个为测试集占总样本的百分比 x_train,x_test,y_train,y_test = train_test_split(boston.data, boston.target, test_size = 0.3, random_state = 33) #使用XGBoost进行训练 model = XGBClassifier() model.fit(x_train,y_train) # 绘制重要性曲线,max_num_feature参数设置输出前20重要的特征（） plot_importance(model,max_num_features=20) plt.show() # 输入测试样本做预测 y_pred=model.predict_proba(x_test)[:,1] # 输出AUROC的值 roc=roc_auc_score(y_test,y_pred) print("The AUROC=%f",roc) """ 0.9841 """
运行结果：
其中，f2,f3,f4...这些是默认的按从0开始对特征的编号。但是这样的话，我们不知道这些f2,f3到底对应的是哪些特征。我觉得应该有函数什么的吧，要不然的话，怎么进行具体的分析呢。这个问题有待解决。
