极端值目标值（exterem or outlier target）对应的核心特征的分布差异分析+结合catboost特种重要度（top10）

Posted 2021-08-31 Data+Science+Insight

极端值目标值（exterem or outlier target）对应的核心特征的分布差异分析+结合catboost特种重要度（top10）

分析目标（target）在极值区域时候，核心特征的分布情况的差异；

核心特征通过集成学习模型获取重要度高的特征；

CatBoost不仅在你提供给它的任何数据集上构建了一个最精确的模型，其中只需要最少的数据准备。它还提供了迄今为止最好的开源解释工具，以及快速生成模型的方法。

CatBoost引发了机器学习革命。学习使用它会提高你的技能。但更有趣的是，CatBoost对数据科学家（比如我自己）的现状构成了威胁，因为我认为在给定数据集的情况下，建立一个高精度的模型是很乏味的。但是CatBoost正在改变这种状况。它使得每个人都可以使用高度精确的模型。

训练结束后，通过model.feature_importances_属性，我们可以拿到这些特征的重要程度数据，特征的重要性程度可以帮助我们分析出一些有用的信息。

# #获取特征重要度、构建归一化特征（总和100），并归一化排序；

# Feature importances into a dataframe
feature_importances = pd.DataFrame({\'feature\': col_features, \'importance\': cat_model.feature_importances_})
# feature_importances = pd.DataFrame({\'feature\': features.columns, \'i