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 documentationhttps://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。
库
sklearn.feature_selection.RFE
重要参数
参数 | 参数说明 |
---|---|
estimator | 监督学习估计有 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
库
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 |
step | 和RFE一样 如果大于或等于 1,则 |
cv | 确定交叉验证拆分策略。cv 的可能输入是:
|
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。 |