基于SVM的RFE

本文介绍了RFE(递归特征消除)的基本思想,通过将特征纳入SVM模型并根据系数平方和去除最不重要的特征,直至所有特征都被评估。提供了一个模拟算法的实现,并展示了如何使用sklearn库中的RFE与LinearSVC结合,选择最具影响力的8个特征。
摘要由CSDN通过智能技术生成

特征选择方法-RFE(包装式模型)


(一)RFE基本思想

    1.将全部特征纳入模型中,得到特征对应的系数(即权重);
    2.将取值最小的系数平方和对应的特征从模型中移除;

    3.用剩下的特征在进行模型训练,在进行特征移除,直至没有特征;

(二)基于SVM的RFE

1.模拟算法

import numpy as np
import pandas as pd
from sklearn import datasets
from sklearn import preprocessing
from sklearn.feature_selection import RFE
from sklearn.svm import LinearSVC

datasets = datasets.load_wine()

featureNames = datasets.feature_names

feat,label = datasets.data,datasets.target

scaler = preprocessing.StandardScaler()
i
  • 10
    点赞
  • 54
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值