所以总结一下我所做的事情：
我的数据集有 5 个类和 10 个参数。我使用 sklearn 的 XGBclassifer 来调查是否可以使用这 10 个参数来预测每个数据点的类别。在训练和拟合 XGBclassifier 之后，我检查了 feature_importances_，发现 2/10 参数在分类中起关键作用。
所以我的问题是：
我能否确切了解这两个参数对每个特定类别的分类有何贡献？例如，我能否找到参数 1 和参数 2 的截止值，这将导致对第 1 类的预测？
我正在考虑使用这两个参数和 k 值 = 5 执行无监督聚类。之后，我可以只关注近似截止值。但是，我担心这 5 个集群不会与 5 个组紧密对应。
非常感谢先进
如果你有那么参数，其中两个很重要。您可以绘制树并查看每个参数的阈值。
from xgboost import XGBClassifier
from xgboost import plot_tree
import matplotlib.pyplot as plt
# fit the model
model = XGBClassifier().fit(X, y)
# plot single tree
plot_tree(model)
plt.show()
上面的代码只是绘制了第一棵树。例如，您可以使用以下代码行按顺序绘制第 4 棵提升树
plot_tree(model, num_trees=3)
请注意，在每棵树中，您可能对集成方法中的每个参数都有不同的阈值。
我想shap values也许能帮到你。看看这个链接。您可以检查本地和全局的可解释性。