我在使用LightGBM中的LGBMClassifer构建一个二分类模型，类似如下所示：

 # LightGBM模型        clf = LGBMClassifier(            nthread=4,            n_estimators=10000,            learning_rate=0.005,            num_leaves= 45,            colsample_bytree= 0.8,            subsample= 0.4,            subsample_freq=1,            max_depth= 20,            reg_alpha= 0.5,            reg_lambda=0.5,            min_split_gain=0.04,            min_child_weight=.05            random_state=0,            silent=-1,            verbose=-1)

接下来，在训练数据上拟合我的模型

     clf.fit(train_x, train_y, eval_set=[(train_x, train_y), (valid_x, valid_y)],                 eval_metric= 'auc', verbose= 100, early_stopping_rounds= 200)    fold_importance_df = pd.DataFrame()    fold_importance_df["feature"] = feats       fold_importance_df["importance"] = clf.feature_importances_

输出结果:

feature                      importancefeature13                     1108feature21                     1104feature11                     774

• 到目前为止一切顺利，现在我想基于这个模型查看特征重要性度量。因此，我使用feature_importance_()函数来获取这些数据（但默认情况下它提供的是基于split的特征重要性）

• 虽然split可以让我了解到某个特征在分割中被使用了多少次，但我认为gain可以更好地理解特征的重要性。

• LightGBM booster类的Python API 中提到（https://lightgbm.readthedocs.io/en/latest/Python-API.html?highlight=importance）:

   feature_importance(importance_type='split', iteration=-1) 参数:importance_type (string, optional (default="split")) –  如果是“split”，结果包含特征在模型中使用的次数。如果是“gain”，结果包含使用该特征的分割的总收益。返回值:   result – 包含特征重要性的数组。返回类型:   numpy array`

然而，Sklearn API对于LightGBM的LGBMClassifier()并没有提及任何内容（Sklearn API LGBM），它对该函数的参数描述仅如下:

feature_importances_array of shape = [n_features] – 特征重要性（数值越高，特征越重要）。

• 我的问题是如何从sklearn版本即LGBMClassifier()中基于gain获取特征重要性？

回答：

feature_importance()是原始LGBM中Booster对象的一个方法。

sklearn API通过属性booster_暴露了训练数据上的底层Booster，如API文档中所述。

所以你可以先访问这个booster对象，然后以与原始LGBM相同的方式调用feature_importance()。

clf.booster_.feature_importance(importance_type='gain')