前面完成了最初的特征选择，基本没有考虑业务逻辑，我直接使用这些特征开始进行预测了。
基于当前业界对XGBoost的推崇，我准备不走弯路，直接上XGBoost进行预测。
从打印的“取数据完成”可以看出数据完全读取了。
下面我们用训练集进行预测，看看说明情况
程序运行了691秒，产生了xgb模型，我们看到在训练集上的F1_score为0.9977,是不是很高兴？其实这个就是用训练题目作为考试题目，因为都做过，肯定很高的分数了。
不过因为当时不是很懂机器学习的特征变换及python语言实现，就用了这个模型直接对A榜和B榜进行了预测，是什么结果呢？
我先用常用的参数优化函数来预测以下实际结果：
看看把数据带入的结果
我们可以看到在训练集中做预测，使用参数搜索，得到最优参数时，F1_score的取值为0.5468,由于本次比赛的A、B榜的样本分布均与训练集高度相似，实际AB榜得分为0.55,
大约排名在100名左右了，这个也是我提交的最后预测模型。
现在对模型和特征进一步分析，拿到可以指导我们实际客户管理的东西。
先看看哪些特征对客户存款上升有显著影响？我们把所有的特征的重要性用图表的方式显示以下，如下图。
用列表的方式显示以下权重：
我们看到
('AST_FA_BAL_MAX', 1784.0),
('AST_YAVER_FA_BAL', 1631.0),
('AST_SAVER_FA_BAL', 1275.0),
('AST_DAY_FA_BAL', 1229.0),
('TPAY_SEAN_TR_AMT', 1118.0),
('AST_YAVER_DPSA_BAL', 1065.0),
('IBTF_YEAR_TR_AMT', 1043.0),
('AST_MAVER_FA_BAL', 1002.0),
这些特征的影响排名靠前，他们分别是：金融资产余额最大值、年日均金融资产余额、季日均金融资产余额、当日金融资产余额、第三方交易季交易金额、年日均活期存款余额、
跨行转账年交易金额，月日均金融资产余额。
这为我们“找”客户提供了一个基本的参考，就是先看金融资产余额最大值、、年日均金融资产余额、季日均金融资产余额、当日金融资产余额、第三方交易季交易金额、年日均活期存款余额、
跨行转账年交易金额，月日均金融资产余额。
下一节我根基后期补学的有关知识进一步进行特征优化，看看能把预测F1值提高到那个水平？