我需要量化模型中特征的重要性。但是，当我使用 XGBoost 执行此操作时，我会得到完全不同的结果，具体取决于我使用的是变量重要性图还是特征重要性。

例如，如果我使用model.feature_importances_与xgb.plot_importance(model)我得到不对齐的值。据推测，特征重要性图使用了特征重要性，但 numpy 数组feature_importances并不直接对应于plot_importance函数返回的索引。

这是情节的样子：

但这是model.feature_importances_给出完全不同的值的输出：

array([ 0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.00568182,  0.        ,  0.        ,  0.        ,
        0.13636364,  0.        ,  0.        ,  0.        ,  0.01136364,
        0.        ,  0.        ,  0.        ,  0.        ,  0.07386363,
        0.03409091,  0.        ,  0.00568182,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.00568182,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.00568182,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.01704546,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.05681818,  0.15909091,  0.0625    ,  0.        ,
        0.        ,  0.        ,  0.10227273,  0.        ,  0.07386363,
        0.01704546,  0.05113636,  0.00568182,  0.        ,  0.        ,
        0.02272727,  0.        ,  0.01136364,  0.        ,  0.        ,
        0.11363637,  0.        ,  0.01704546,  0.01136364,  0.        ,
        0.        ,  0.        ,  0.        ,  0.        ,  0.        ,
        0.        ,  0.        ,  0.        ], dtype=float32)

如果我只是尝试获取功能 81 ( model.feature_importances_[81])，我会得到：0.051136363. 然而model.feature_importances_.argmax()回报72。

所以这些值彼此不对应，我不确定该怎么做。

有谁知道为什么这些值不一致？