网上教程基本都是清一色的使用sklearn版本，此时的XGBClassifier有自带属性feature_importances_，而特征名称可以通过model._Booster.feature_names获取，但是对应原生版本，也就是通过DMatrix构造，通过model.train训练的模型，如何获取feature_importance?而且，二者获取的feature_importance又有何不同？
1.通过阅读官方文档https://xgboost.readthedocs.io/en/latest/python/python_api.html,发现sklearn版本初始化时会指定一个默认参数
显而易见，最后获取的feature_importances_就是gain得到的
2.而原生版本初始化时没有importance_type参数，真正获取feature_importance时通过model.get_score(importance_type="gain")获取，（另外一个方法get_fscore()就是get_score(importance_type="weight")，二者实现一样。）
注意这里默认参数是"weight"，就是指每个特征被用于分割的使用次数。如果对标skelearn版本需要指定“gain”，这里gain是指平均增益，另外，skelearn版本返回的importance是0-1形式，而原生版本返回的是很大的小数形式，对标的话可以通过除以总和得到，结果如图
3.至于什么时候用weight,什么时候用gain,其实各有说法。实际上，判断特征重要性共有三个维度，而在实际中，三个选项中的每个选项的功能重要性排序都非常不同
1. 权重。在所有树中一个特征被用来分裂数据的次数。
2. 覆盖。在所有树中一个特征被用来分裂数据的次数，并且有多少数据点通过这个分裂点。
3. 增益。使用特征分裂时平均训练损失的减少量
是什么使得衡量特征重要性的度量好或者坏？
如何比较一种特征归因方法与另一种特征归因方法并不容易。我们可以度量每种方法的最终用户性能，例如数据清理、偏差检测等。但这些只是对特征归因方法好坏的间接测量。在这里，我们将定义两个属性，我们认为任何好的特征归因方法应该遵循：
1. 一致性。每当我们更改模型以使其更依赖于某个特征时，该特征的归因重要性不应该降低。
2. 准确性。所有特征重要性的总和应该等于模型的总重要性。（例如，如果重要性由R²值测量，那么每个特征的属性应该与完整模型的R²相等）
如果一致性不成立，那么我们不能比较任意两个模型之间的归因重要性，因为具有较高分配归因特征，并不意味着模型实际上更多地依赖于该特征。
如果精度未能保持，那么我们不知道每个特征的属性如何组合以表示整个模型的输出。我们不能在方法完成后对归因进行规范化，因为这可能会破坏方法的一致性
这里推荐使用shap，可以全面的判断特征重要性，而且对xgboost和lightgbm都有集成，可视化也相当不错。详细可看https://github.com/slundberg/shap
附：lightgbm和xgboost类似，https://lightgbm.readthedocs.io/en/latest/pythonapi/lightgbm.Booster.html?highlight=importance#lightgbm.Booster.feature_importance