RMSE xgboost的feature importance

RMSE计算
from sklearn.metrics import mean_square_error
这个现成的包可以计算square error的平均，需要再开方一个得到RMSE。math.sqrt(mean_square_error(a,b))
自己写RMSE的计算也非常简单，
np.sqrt(((pred-actual)**2).mean())

xgboost绘制feature importance
fig, ax = plt.subplots(figsize=(12,18))
xgb.plot_importance(model, max_num_features=100, height=0.8, ax=ax)
plt.show()
但是昨天画出来的图，背景style变化了，太忙，暂时没寻求解决方案

尝试了合并9月/10月的数据进行建模，rmse并没有降低，我的一种猜想是维度太简单了

学习了一下当时移动推荐算法大赛和jdata的比赛的一些解决方案，有一些不明确的地方，关于滑窗的设定问题，他们设定的一些滑窗不那么make sense啊，我自己有下一步的思路，就是干！！！肝他妈的！利用强大的算力和工程化方案进行大规模的特征工程！