SVM-RFE和RFECV用于特征缩减，RFECV通过交叉验证评估特征数目。RFECV通常使用SVC(linear核)，但rbf核会导致错误。estimator需有fit方法和coef_或feature_importances_属性。RandomForest满足条件，可用作RFECV的estimator。RFECV的grid_scores_显示每个step的准确性。
SVM-RFE与SVM-RFECV都是用于对特征进行缩减，用于找到数目最优的特征数。RFECV基于RFE基础上，添加了交叉验证，使得在每个step中，都可以对现有的特征数目进行评估，以确定比较好的数目。RFE中需要指定n_features_to_select，而RFECV中需要指定min_features_to_select，二者虽然都要运行到指定挑选特征数目时才停止筛选，但RFECV的每步交叉验证得到特定数目特征的acc,从而可以得到acc达到最大时的最少特征个数。同时，RFECV提供ranking_数组，可以挑选出被选中的特征。
一般来说，RFECV中使用的评估器为SVC,以linear核作为SVC的核，考虑到linear核不如rbf核效率好，尝试换rbf。但使用rbf核的SVC会报一下错误。
回到SVM-RFECV的源码中发现，它需要利用与特征重要性有关的信息:
此外，通过对estimator的注解可以看到，RFECV对estimato有如下要求：
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
