将sklearn RFE与另一个包中的估计器一起使用
将sklearn RFE（Recursive Feature Elimination）与另一个包中的估计器一起使用是一种特征选择的方法。sklearn RFE是scikit-learn库中的一个特征选择算法，用于通过递归地消除不重要的特征来提高模型性能。它基于模型的权重或系数来评估特征的重要性，并且可以与其他机器学习库中的估计器一起使用。
使用sklearn RFE与其他估计器一起进行特征选择的步骤如下：
- 导入所需的库和模块：from sklearn.feature_selection import RFE from sklearn.svm import SVR # 作为示例，使用支持向量回归作为估计器
- 准备数据集：X = ... # 特征矩阵 y = ... # 目标变量
- 创建估计器对象：estimator = SVR(kernel="linear") # 创建支持向量回归估计器对象
- 创建RFE对象并将估计器与之关联：selector = RFE(estimator, n_features_to_select=5) # 创建RFE对象，选择5个最重要的特征
- 执行特征选择：selector.fit(X, y) # 执行特征选择
- 获取选择的特征：selected_features = selector.support_ # 获取选择的特征的布尔掩码
- 根据需要进行进一步处理：X_selected = X[:, selected_features] # 根据布尔掩码选择特征
sklearn RFE的优势在于它可以自动选择最重要的特征，从而减少特征空间的维度，提高模型的性能和解释能力。它适用于各种机器学习任务，包括分类、回归和聚类等。
腾讯云提供了多个与机器学习和数据分析相关的产品，可以与sklearn RFE一起使用。其中，腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）提供了强大的机器学习和数据分析功能，可以帮助用户进行特征选择、模型训练和预测等任务。此外，腾讯云还提供了云服务器、云数据库等基础设施产品，以及云原生解决方案和网络安全服务，以满足用户在云计算领域的各种需求。
请注意，以上答案仅供参考，具体的产品选择和链接地址可能需要根据实际情况进行调整。
相关·内容
请考虑以下代码：
import pandas as pd
import numpy as np
from sklearn.svm import SVC
from sklearn.preprocessing import StandardScaler
from sklearn.feature_selection import RFE
from sklearn.pipeline import Pipeline
# data
train_X = pd.DataFrame(data=np.random.rand(20, 3), columns=["a", "b", &
浏览 14提问于2022-05-31得票数 1
回答已采纳
1回答
提取特征重要性系数/分数
、、、、
有没有办法从下面的代码片段中提取实际的特征重要性系数/分数(与顶级num_feats特征相反)？ from sklearn.feature_selection import RFE
from sklearn.linear_model import LogisticRegression
rfe_selector = RFE(estimator=LogisticRegression(), n_features_to_select=num_feats, step=10, verbose=5)
rfe_selector.fit(X_norm, y)
浏览 8提问于2020-06-25得票数 0
回答已采纳
我正在使用递归特征消除(RFE)管道： from sklearn.feature_selection import RFE
c_GAUSS = GaussianProcessClassifier()
rfe = RFE(estimator=c_GAUSS) 但是，我得到一个错误： ValueError: when `importance_getter=='auto'`, the underlying
estimator GaussianProcessClassifier should have `coef_` or
`feature_importances_` attr
浏览 967提问于2021-08-30得票数 2
回答已采纳
1回答
我创建了一个包含RFE和RandomForestClassifer的管道，然后应用RandomizedSearchCV为两者找到最佳的超参数值。我的代码就是这样的-
from sklearn.esemble_learning import RandomForestClassifier
from sklearn.feature_selection import RFE
from sklearn.pipeline import Pipeline
from sklearn.model_selection import RandomizedSearchCV
steps = [
(&
浏览 12提问于2022-06-27得票数 2
回答已采纳
我有一个分类任务，希望使用重复嵌套的交叉验证来同时执行超参数调整和特征选择。为此，我使用Python的sklearn库在RFECV上运行RandomizedSearchCV，正如this SO answer中所建议的那样。 但是，我还需要缩放我的功能，并首先计算一些缺失的值。这两个步骤也应该包括在CV框架中，以避免训练和测试文件夹之间的信息泄漏。我试图创建一个Pipeline来到达那里，但我认为它“破坏”了我的简历嵌套(即，彼此分开执行RFECV和随机搜索)： import numpy as np
from sklearn.datasets import make_classific
浏览 24提问于2021-11-08得票数 3
我试图链接网格搜索和递归功能消除在一个管道使用scikit学习。
带有“裸”分类器的GridSearchCV和RFE工作得很好：
from sklearn.datasets import make_friedman1
from sklearn import feature_selection
from sklearn.grid_search import GridSearchCV
from sklearn.svm import SVR
X, y = make_friedman1(n_samples=50, n_features=10, random_state=0)
est = SVR(k
浏览 0提问于2016-04-17得票数 17
回答已采纳
我有一个具有以下维度(x_train，y_train)的数据集：
类型：numpy.ndarray 维度：x_train：(3618,1425)和y_train：(3618，) ** sklearn版本**：0.24.1
我正在尝试拟合一个支持向量回归。守则如下：
folds = KFold(n_splits = 5, shuffle = True, random_state = 100)
# specify range of hyperparameters
hyper_params = [{
"n_features_to_select": [
浏览 4提问于2022-02-08得票数 0
1回答
我是一个全新的Python和机器学习新手，我肯定错过了一些东西。 我正在通过嵌套CV训练RandomForest模型，以进行超参数调优，并使用管道进行RFECV。我检索了best_estimator_.n_features，它仍然向我展示了在RFECV缩小到3之前的17个原始特征。 X
1182 rows × 17 columns
cv_inner = KFold(n_splits=3, shuffle=True, random_state=1)
clf = RandomForestClassifier(random_state=42, n_jobs=-1, criterion='
浏览 24提问于2021-05-09得票数 0
1回答
我希望运行一个R脚本来使用计算机集群上插入符号包中的。理想情况下，我希望在多个核心上并行运行它。在一个同事的脚本中，我发现了doMC包的用法。我读到这个包和foreach包一起使用。但是在我得到的脚本中，只是导入了库，在rfe命令前面的行中有一个registerDoMC(5)。在整个脚本中，没有一次使用foreach。
doMC是在这里做任何事情还是只与foreach一起工作？
是否有一种方法在多核上分发资源消耗的rfe过程？
浏览 2提问于2014-03-21得票数 0
回答已采纳
在我的代码中，它抛出了一个运行时错误。在这里，我尝试对回归数据进行RFE拟合。
from sklearn.feature_selection import RFE
from sklearn.svm import SVR
from sklearn.feature_selection import SelectKBest
from sklearn.preprocessing import *
scaler = StandardScaler().fit(trainFeatures)
xscaled = scaler.transform(trainFeatures)
estim
浏览 0提问于2018-10-16得票数 1
请帮帮我。安装scikit-学习不工作
data_final_vars=data_final.columns.values.tolist()
y=['y']
X=[i for i in data_final_vars if i not in y]
from sklearn.feature_selection import RFE
from sklearn.linear_model import LogisticRegression
logreg = LogisticRegression()
rfe = RFE(logreg, 20)
rfe = rfe.fit(os_data_
浏览 2提问于2021-09-30得票数 4
1回答
如何在中使用RFE？
、、、、
我目前使用的是xgb.train(...)，它返回一个助推器，但我想使用RFE来选择最佳的100个特性。返回的助推器不能在RFE中使用，因为它不是sklearn估计器。XGBClassifier是xgboost库中的sklearn api，然而，我无法获得与xgb.train(...)方法相同的结果(roc-auc方法差10%)。我已经尝试过sklearn的助推器，但他们也不能得到类似的结果。我还尝试将xgb.train(...)方法包装在一个类中，以添加sklearn估计器方法，但要更改的方法太多了。有没有什么方法可以把xgb.train(...)和sklearn的RFE一起使用呢？
浏览 2提问于2021-02-22得票数 7
我想要执行递归的特征消除与嵌套网格搜索和交叉验证每个功能子集使用scikit学习。从RFECV文档看，使用estimator_params参数支持这种类型的操作：
estimator_params : dict
Parameters for the external estimator. Useful for doing grid searches.
但是，当我试图将超参数网格传递给RFECV对象时
from sklearn.datasets import make_friedman1
from sklearn.feature_selection import RFECV
from
浏览 5提问于2014-05-22得票数 13
回答已采纳
2回答
我想执行recursive feature elimination with cross validation (rfecv)在10倍交叉验证(即cross_val_predict或cross_validate)在学习。
由于rfecv本身在其名称中有交叉验证部分，所以我不清楚如何做到这一点。我的当前代码如下所示。
from sklearn import datasets
iris = datasets.load_iris()
X = iris.data
y = iris.target
from sklearn.ensemble import RandomForestClassifier
浏览 15提问于2020-03-30得票数 0
回答已采纳
1回答
当我用熊猫get_dummies创建分类列时，我正试图理解如何使用sklearn作为线性回归模型。
我有一个数据集，布局如下：
y = Carsales
X = Unemployment, Queries, CPI_energy, CPI_all, Month(comes in as an int)
我做的第一件事是将月份转换为对象，然后是类别(直接转换为类别类型在熊猫中不起作用)。
df['MonthFac'] = df['Month'].astype('object')
df['MonthFac'] = df['Mon
浏览 2提问于2015-07-09得票数 1
回答已采纳
到目前为止，我所掌握的代码如下所示，它运行得非常完美。但是，我想为测试的每个特性打印以下RFE属性：和所选功能的名称，因为"i“引用索引，第一个属性返回真假(如果列被选中与否)，第二个属性返回它们各自的排名。
换句话说，我想打印每个RFE中考虑的列，它们并不是抽象的。
# Explore the number of selected features for RFE
from numpy import mean
from numpy import std
from sklearn.model_selection import RepeatedKFold, cross_val_score
浏览 9提问于2022-02-26得票数 1
回答已采纳
我试图在R中“手动”模拟stepAIC函数，但这需要很长时间(我只发布了前两次尝试)。在逻辑回归中，python中有没有类似于stepAIC函数的东西(在迭代中消除一个p值最高的变量，并最小化AIC)？
#create model with double interactions
datapol = data.drop(['flag'], axis=1) #elimino colonna flag dai dati
poly=sklearn.preprocessing.PolynomialFeatures(interaction_only=True,include_bias =
浏览 0提问于2018-03-26得票数 2
1回答
我想知道是否有可能使用带有sklearn包的多元估计器进行RFE。我检查了，我找不到任何对它有利或不利的东西。下面是最低限度的代码：
import sklearn.linear_model as skl
from sklearn.feature_selection import RFE
from scat import *
from sklearn import metrics, model_selection
# -- params
n_folds = 5
N = 5000
# -- regressor
regress = skl.RidgeCV(alphas=[1e-6, 1
浏览 1提问于2019-07-16得票数 0
当我看时，我想知道的实际用途是什么。
实际上，它只是给出了最优的功能数量，但没有告诉我这些特性是什么。
与此形成对比的是，还给了我rfe.ranking_
我不应该相应地只使用sklearn.feature_selection.RFE吗？
还是我忽略了什么？
浏览 0提问于2018-06-19得票数 6
回答已采纳
我正在尝试将python中的记分卡模型转换为。
我已经使用二进制训练数据训练了sklearn逻辑回归。现在我有了经过训练的LR模型(或包含LR的管道)，包括装箱标签和问题的装箱信息，以及预先建立的偏移量和因子。我可以将管道sklearn2PMML到PMML中，但是如果我想要一个可以直接输出分数而不是概率的PMML记分卡模型呢？
有什么可行的方法可以做到这一点吗？谢谢!
浏览 3提问于2018-08-20得票数 1
2回答
我使用带有RFECV的不平衡数据集(54:38:7%)进行如下特征选择：
# making a multi logloss metric
from sklearn.metrics import log_loss, make_scorer
log_loss_rfe = make_scorer(score_func=log_loss, greater_is_better=False)
# initiating Light GBM classifier
lgb_rfe = LGBMClassifier(objective='multiclass', learning_rate=0.
浏览 6提问于2021-02-27得票数 2
是否可以将sklearn递归特征消除(RFE)与来自另一个软件包的估计器一起使用？
具体地说，我想使用statsmodel包中的GLM，并将其包装在sklearn RFE中。
若有，可否举出一些例子？
浏览 4提问于2018-08-04得票数 3
回答已采纳
为什么sklearn的RidgeCV没有n_jobs作为一个论点？LassoCV和LogisticRegressionCV都把它作为一个论点。
浏览 4提问于2021-01-25得票数 2
回答已采纳
1回答
我试图找出如何使用RFE来解决回归问题，我正在阅读一些教程。
我找到了一个关于如何使用RFECV自动选择理想数量的特性的示例，其内容如下：
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import StratifiedKFold
from sklearn.feature_selection import RFECV
rfecv = RFECV(estimator=RandomForestClassifier(random_state=101), step=1, cv=Str
浏览 2提问于2020-12-14得票数 1
回答已采纳
我正在使用以下RandomForest代码创建Python模型
from sklearn2pmml.pipeline import PMMLPipeline
from sklearn2pmml import sklearn2pmml
rf=RandomForestClassifier()
rf = PMMLPipeline([('random',rf)])
rf.fit(X_train, y_train)
sklearn2pmml(rf, "classification pmml file/random.pmml",with_repr=True)
我使用Pyth
浏览 0提问于2019-12-16得票数 1
1回答
我有一个具有一些功能的数据帧，我想使用RFECV选择重要的功能。但是，当我尝试将xgboost的fit参数发送到RFECV的fit方法时，如下所示：
# initialising xgboost
xgb_rfe = XGBClassifier(objective='multi:softmax', num_class=3, use_label_encoder=False,
random_state=100, n_estimators=10_000, n_jobs=-1)
# initialising RFECV
rfe = RFE
浏览 12提问于2021-02-20得票数 1
1回答
在Python中使用切片
、、、、
我使用来自UCI repo：的数据集，然后执行下一步：
from pandas import *
from sklearn.neighbors import KNeighborsRegressor
from sklearn.linear_model import LinearRegression, LogisticRegression
from sklearn.svm import SVR
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import r2_score
from sklearn.cr
浏览 4提问于2016-08-30得票数 0
回答已采纳
scikit学习具有两个逻辑回归函数：
sklearn.linear_model.LogisticRegression
sklearn.linear_model.LogisticRegressionCV
我只是好奇第二份简历代表什么。我在ML中唯一知道的与"CV“匹配的缩略语是交叉验证，但我猜不是这样，因为这将在带有包装器函数的scikit中实现，而不是逻辑回归函数本身的一部分(我认为)。
浏览 19提问于2017-09-30得票数 25
回答已采纳
我有一些使用创建的分类器，还有一些直接作为创建的分类器。
随机林返回类型sklearn.ensemble.forest.RandomForestClassifier，以及使用gridSearch返回类型sklearn.grid_search.RandomizedSearchCV创建的随机林。
我正在尝试以编程方式检查估计器的类型(以确定是否需要在上使用)，但似乎找不到一个很好的方法。
if type(estimator) == 'sklearn.grid_search.RandomizedSearchCV'是我最初的猜测，但显然是错的。
浏览 0提问于2015-09-14得票数 0
回答已采纳
1回答
我正在使用scikit-learn的类来执行特性选择。我感兴趣的是确定一堆变量的相对重要性。然而，scikit-learn对多个变量返回相同的排名(1)。在它们的示例代码中也可以看到这一点：
>>> from sklearn.datasets import make_friedman1
>>> from sklearn.feature_selection import RFECV
>>> from sklearn.svm import SVR
>>> X, y = make_friedman1(n_samples=50,
浏览 1提问于2019-06-04得票数 8
回答已采纳
2回答
我有一个分类问题，我必须使用投票分类器方法找到前3个特征，其中包含PCA，xgboost，随机森林，逻辑注册和决策树。
我是一个初学者，我不知道如何使用投票分类器来获得特征重要性。
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.decomposition import PCA
fro
浏览 0提问于2019-10-30得票数 1
我试图在scikit中使用递归特性消除(RFE)函数--学习，但始终得到错误的ValueError: coef_ is only available when using a linear kernel。我试图使用rbf核为支持向量分类器(SVC)执行特征选择。网站中的这个示例执行得很好：
print(__doc__)
from sklearn.svm import SVC
from sklearn.cross_validation import StratifiedKFold
from sklearn.feature_selection import RFECV
from sklearn.
浏览 7提问于2014-05-21得票数 5
回答已采纳
我正在尝试将管道对象保存为PMML，而Python抛出了一个RuntimeError。 我的Python版本是3.6，sklearn2pmml版本是0.44.0，JDK版本是1.8.0_201。 所有这些都符合软件包的前提条件。 以下是我到目前为止所做的工作。(我不包括数据加载和清理部分) from sklearn2pmml.pipeline import PMMLPipeline
from sklearn2pmml import make_pmml_pipeline, sklearn2pmml
logit_pipline = Pipeline([('vect', Coun
浏览 472提问于2019-04-30得票数 3
XGBoost库通过xgboost.cv()拥有自己的交叉验证的实现。看起来，它需要将数据存储为DMatrix。
不用使用xgboost.cv()，我可以使用XGBoost的雪橇与GridSearchCV()、RandomizedGridCV或cross_validate()一起使用sklearn执行交叉验证。如果我使用交叉验证的sklearn实现，我可以使用pandas.DataFrame的S和熟悉的sklearn函数/类。
我有两个问题：
直接使用XGBoost执行交叉验证和使用sklearn进行交叉验证有什么重要的区别吗？xgboost.cv()是否以某种方式优化，而sklearn交叉验
浏览 0提问于2022-12-28得票数 0
1回答
我理解cross_val_predict / cross_val训练出折叠模型，然后对它们进行放大，从而得出最终的预测结果。这是在火车阶段完成的。现在，我想用拟合的模型来预测测试数据。我可以使用for循环来收集测试数据的预测并对它们进行聚合，但是首先我想问一下，是否有一个内置的sklearn方法呢？
from sklearn.model_selection import cross_val_predict, train_test_split
diabetes = datasets.load_diabetes()
X = diabetes.data[:150]
y = diabetes.tar
浏览 1提问于2020-07-11得票数 0
回答已采纳
我想用StackingClassifier & VotingClassifier和StratifiedKFold & cross_val_score。如果我使用cross_val_score或VotingClassifier，我将在VotingClassifier中获得nan值。如果我使用任何其他算法而不是StackingClassifier或VotingClassifier，cross_val_score可以正常工作。我使用python3.8.5& sklearn 0.23.2。
将代码更新为工作示例。请使用kaggle 的Parkinons数据集，这是我一直在处理的
浏览 3提问于2020-11-26得票数 1
回答已采纳
1回答
如何在由空格分隔的列表中生成列表
、、、、
如何复制itertools.product结果的结构？ 如你所知，itertools.product给了我们一个对象，我们需要把它们放在一个列表中，这样我们就可以打印它了。像这样的东西..对吗？ import itertools
import numpy as np
CN=np.asarray((itertools.product([0,1], repeat=5)))
print(CN) 我希望能够制作这样的东西，但我希望数据来自csv文件。所以我想做这样的东西 #PSEUDOCODE
import pandas as pd
df = pd.read_csv('csv here&
浏览 20提问于2021-01-23得票数 0
1回答
我正在努力实现在Scikit-learn中提供的分类器之间的比较。根据的说法，除了svm之外，所有的分类器都应该工作。
这一行动的实施情况如下：
clf['bayes'] = OneVsRestClassifier(MultinomialNB(
clf['lda'] = OneVsRestClassifier(LDA())
clf['decision tree'] = OneVsRestClassifier(DecisionTreeClassifier())
clf['rdc'] = OneVsRestClassifier(Ran
浏览 2提问于2014-03-11得票数 0
回答已采纳
1回答
我有一个sklearn管道，它由一个自定义转换器组成，后面是XGBClassifier。我想在转换器中添加的最后一步是另一个自定义转换器，它转换XGBClassifier的结果。
最后一个自定义转换器将预测的概率排序为等级(5-百分位数)。
Pipeline([
('custom_trsf1', custom_trsf1),
('clf', XGBCLassifier()),
('custom_trsf2', custom_trsf2)])
问题是sklearn管道要求所有步骤(除了最后
浏览 1提问于2020-11-26得票数 1
一旦一个科学学习分类器被训练：
import sklearn.cluster
clf = sklearn.cluster.KMeans()
clf.fit(X)
有两个选项(至少)可以获得其参数的值。具体来说，
通过引用带有渐变下划线的参数名称：
clf.n_clusters_
从用get_params()获得的字典中
ps = clf.get_params()
ps['n_clusters']
这些方法中哪一种是首选的？
浏览 0提问于2019-01-28得票数 0
我在sklearn流水线中使用了递归特征消除，流水线看起来像这样：
from sklearn.pipeline import FeatureUnion, Pipeline
from sklearn import feature_selection
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.svm import LinearSVC
X = ['I am a sentence', 'an example']
Y = [1, 2]
X_dev = ['an
浏览 3提问于2016-04-15得票数 16
回答已采纳
1回答
我正在使用多标签问题解决方案，我开始使用sklearn，它提供了非常好的开箱即用的方法来处理多个标签。我使用MultiOutputClassifier和RandomForestClassifier作为估计量。有4个类的示例：
import numpy as np
from sklearn.ensemble import RandomForestClassifier
from sklearn.multioutput import MultiOutputClassifier
# The data from your screenshot
# A B C D E F
浏览 2提问于2020-06-30得票数 0
回答已采纳
我一直无法找到任何教程、指南或示例代码来执行数据集拆分和平衡，以作为sklearn管道的一部分。这个是可能的吗？
我有这样的事情：
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
### can this be part of the pipeline?
浏览 1提问于2021-08-12得票数 0
回答已采纳
1回答
我想在管道中使用RFE进行特征选择。在没有GridSearch的情况下，让它在管道中工作是没有问题的。然而，当我尝试合并GridSearch时，我总是得到一个值错误(NB )。没有RFE的模型是很好的)。
我尝试使用feature_selection，就像在本主题：中所建议的那样，但是这会导致同样的错误。
有什么不对的？
my error: ValueError:用于估计器RFE的无效参数α(estimator=Ridge(alpha=1.0，copy_X=True，fit_intercept=True，max_iter=None，normalize=True，random_state=Non
浏览 3提问于2020-07-16得票数 0
2回答
我很难在GridSearchCV中计算出参数GridSearchCV。来自
return_train_score：布尔值，可选
如果False的话，cv_results_属性将不包括训练分数。
我的问题是：的训练分数是多少？
在下面的代码中，我将数据分割成10个分层的褶皱。因此，grid.cv_results_包含10个测试分数，即'split0_test_score'、'split1_test_score'、.、'split9_test_score'。我知道其中的每一个都是由一个5近邻分类器获得的成功率，该分类器使用对应的折叠进行测试，
浏览 2提问于2018-04-18得票数 5
回答已采纳
2回答
我试图为葡萄酒质量数据集的递归特征选择绘制简历评分。我搞不懂为什么我的阴谋被分成5行.我的期望是，它将是1行显示的变化，在简历分数的一些选择的特点。
rfe.grid_scores_列出了一个列表.我不知道它为什么要这么做。所有我见过的绘制grid_scores的例子，都显示了一个没有索引的列表.
dataset_url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/wine-quality/winequality-red.csv'
df = pd.read_csv(dataset_url)
from
浏览 18提问于2022-10-28得票数 0
回答已采纳
我的ML项目是关于“贷款资格预测”的，我使用了以下数据：，我的代码如下所示：
import random
import pandas as pd
import numpy as np
from sklearn.compose import make_column_transformer
from sklearn.experimental import enable_iterative_imputer
from sklearn.impute import \
SimpleImputer, KNNImputer, IterativeImputer
from sklearn.preproc
浏览 6提问于2022-04-13得票数 -1
我打算在tflearn模型的超参数上执行网格搜索。似乎tflearn.DNN生产的模型与sklearn的GridSearchCV期望不兼容：
from sklearn.grid_search import GridSearchCV
import tflearn
import tflearn.datasets.mnist as mnist
import numpy as np
X, Y, testX, testY = mnist.load_data(one_hot=True)
encoder = tflearn.input_data(shape=[None, 784])
encoder =
浏览 25提问于2016-08-16得票数 2
1回答
当我使用RFE选择数据集中最重要的要素时，它会返回所有要素，而不是返回我指定的要素数量
下面是简单的代码：
from sklearn.svm import SVC
from sklearn.datasets import load_digits
from sklearn.feature_selection import RFE
import matplotlib.pyplot as plt
new_X=np.array([[1,2,3,3],[1,2,4,4],[3,1,3,4],[3,1,4,5]])
new_Y=np.array([1,1,0,0])
svc =
浏览 8提问于2018-02-23得票数 1
回答已采纳
对于Sklearn，我使用的是RandomizedSearchCV，在特定情况下，最好的估计器是：
SVR(C=1594.0828461797396, degree=0.8284528822863231, gamma=1.1891370222133257,kernel='linear')
但根据的说法，degree和gamma只适用于rbf和poly内核。为什么我得到带有linar和degree值的估计量？
from sklearn.model_selection import RandomizedSearchCV
from scipy.stats import expon,
浏览 5提问于2020-07-08得票数 1
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM活动推荐
腾讯云开发者
