0
点赞
收藏
分享

微信扫一扫

特征递归消除

 特征递归消除官方给了两者方法

1.RFE

2.RFECV

一.RFE

官方解释

链接:sklearn.feature_selection.RFE — scikit-learn 1.0.2 documentationicon-default.png?t=LBL2https://scikit-learn.org/stable/modules/generated/sklearn.feature_selection.RFE.html?highlight=rfe#sklearn.feature_selection.RFE        给定一个为特征分配权重的外部估计器(例如,线性模型的系数),递归特征消除(RFE)的目标是通过递归地考虑越来越小的特征集来选择特征。首先,估计器在初始特征集上进行训练,每个特征的重要性通过任何特定属性或可调用获得。然后,从当前的特征集中剪除最不重要的特征。该过程在修剪后的集合上递归重复,直到最终达到要选择的所需特征数量。

sklearn.feature_selection.RFE

重要参数

参数参数说明
estimator

监督学习估计有fit提供有关功能的重要性(如信息的方法coef_feature_importances_

只估计器有具备这两个的其中一个才能进行特征递归消除

例如:随机森林

 

n_features_to_select要选择的特征数。如果None,则选择一半的特征。如果是整数,则参数是要选择的特征的绝对数量。如果在 0 和 1 之间浮动,则它是要选择的特征的一部分。
step如果大于或等于 1,则step对应于每次迭代要删除的(整数)个特征。如果在 (0.0, 1.0) 范围内,则step对应于每次迭代中要删除的特征的百分比(向下舍入)

重要属性

属性属性说明
ranking_特征排名,ranking_[i] 对应于第 i 个特征的排名位置。选定(即估计的最佳)特征被分配等级 1。
support_所选特征的掩码。

二.RFECV

使用交叉验证进行递归特征消除以选择特征数量

sklearn.feature_selection.RFECV

重要参数

参数参数说明
estimator

和RFE一样

一种监督学习估计器,其fit方法通过coef_ 属性或feature_importances_属性提供有关特征重要性的信息。

step

和RFE一样

如果大于或等于 1,则step对应于每次迭代要删除的(整数)个特征。如果在 (0.0, 1.0) 范围内,则step对应于每次迭代中要删除的特征的百分比(向下舍入)。请注意,最后一次迭代可能会删除少于 的step特征以达到min_features_to_select.

cv

确定交叉验证拆分策略。cv 的可能输入是:

  • 无,使用默认的 5 折交叉验证,

  • 整数,指定折叠次数。

重要属性

属性属性说明
ranking_特征排名,ranking_[i] 对应于第 i 个特征的排名位置。选定(即估计的最佳)特征被分配等级 1。
support_所选特征的掩码。

举报

相关推荐

0 条评论