sklearn 5.14.4节 recursive feature elimination with cross-validation

原创

于 2019-09-17 10:26:20 发布 · 479 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#sklearn

本文详细探讨了如何在sklearn库中实施交叉验证的递归特征消除（recursive feature elimination with cross-validation, RFE-CV）。通过这种方法，可以有效地评估特征的重要性并进行选择，从而提高模型的预测性能。内容涵盖了RFE-CV的工作原理、实现步骤以及最佳实践。" 107058449,7378088,Java编码处理与乱码问题解决方案,"['Java开发', '字符编码', '流处理', '数据传输', '错误排查']

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

# 利用循环特征剔除算法，基于交叉验证，自动调整选取特征的最优数目
import matplotlib.pyplot as plt
from sklearn.svm import SVC
from sklearn.model_selection import StratifiedKFold
from sklearn.feature_selection import RFECV
from sklearn.datasets import make_classification
# build a classification task using 3 informative features
# 生成包含8个类别、25个特征、1000个样本的分类数据集
X, y = make_classification(n_samples=1000, n_features=25, n_informative=3,
                          n_redundant=2, n_repeated=0, n_classes=8,
                          n_clusters_per_class=1, random_state=0)
# create the RFE object and compute a cross-validated score
# 实例化支持向量分类模型，核函数选择线性核
# 基于svm包实现，训练时间复杂度至少是样本数的二次方，而且对超过百万样本的数据集不实用
# 大型数据集推荐使用sklearn.linear_model.LinearSVC或者sklearn.linear_model.SGDClassifier替换，最好是经过sklearn.kernel_approximation.Nystroem转换数据集
# 对于算法细节和gamma、coef0、degree等参数如何互相影响，参考user guide里的kernel functions章节
svc = SVC(kernel=&