ValueError: multiclass format is not supported

出现该问题是因为模型期望的目标变量（y）是二分类问题，而实际上目标变量可能是多分类问题。

要解决这个问题，可以尝试以下几种方法：

1. 确认目标变量的类别数量：检查 y 列中的唯一值数量，确定是二分类问题还是多分类问题。如果唯一值数量超过2个，则是多分类问题。

2. 处理多分类问题：如果目标变量是多分类问题，您可以尝试使用适合多分类问题的分类器，如 RandomForestClassifier 的多分类版本 RandomForestClassifier。

3. 转换成二分类问题：如果您希望将问题转换为二分类问题，可以考虑对目标变量进行处理，例如将多分类问题转换为二分类问题，或者只选择数据集中的二分类样本进行建模。

4. 调整评分指标：在使用 RFECV 时，您指定了 scoring="roc_auc"，这通常用于二分类问题。如果您处理的是多分类问题，可以尝试使用适合多分类问题的评分指标，如 scoring="accuracy"。

5. 检查数据预处理：确保数据集中没有缺失值，并且特征和目标变量之间的数据类型正确匹配。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from pylab import mpl
from sklearn.model_selection import train_test_split
from sklearn.feature_selection import RFECV
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
import joblib
mpl.rcParams["font.sans-serif"]=["SimHei"]
mpl.rcParams["axes.unicode_minus"]=False


pd.set_option('display.max_rows', None)
pd.set_option('display.max_columns', None)




data=pd.read_excel("./data/result_gen.xlsx")
# data.drop(data.iloc[:,0],inplace=True)
print(data.shape)
y=data["PVT"]

del data["PVT"]
del  data["编号"]
print(data.shape)

print(y.shape)

#创建一个决策树模型
estimator = DecisionTreeClassifier()
#创建RFE选择器
np.random.seed(10)
selector = RFECV(estimator,step=1,scoring="roc_auc",cv=5)

#拟合数据
selector = selector.fit(data,y)
# joblib.dump(selector,"RF_selecter.pkl")

# 画出特征数目和得分的关系图像
plt.figure()
plt.xlabel("Number of features selected",loc="right")
plt.ylabel("Cross validation score (nb of roc and auc)",loc="top")
plt.plot(range(1, len(selector.cv_results_['mean_test_score']) + 1), selector.cv_results_['mean_test_score'],marker="*",lw=3)
plt.xticks(np.arange(0,54,1))
plt.show()



# 输出选定的特征
print(selector.support_)

# 输出特征排名
print(selector.ranking_)

# 获取特征重要性
feature_importance = selector.estimator_.feature_importances_


#获取选择的特征索引
selected_features = selector.get_support()

# 获取特征名称
feature_names = data.columns
selected_feature_names = [feature_names[i] for i, selected in enumerate(selected_features) if selected]

# 打印选择的特征名称
print("Selected Features:")
print(selected_feature_names)

# 绘制特征重要性图
plt.figure()
plt.barh(selected_feature_names, feature_importance,color=(0.6,0.6,0.7))
plt.ylabel('selected_feature_names',loc="top")
plt.xlabel('Feature Importance',loc="right")
plt.title('Feature Importance of Decision Tree')

plt.tick_params(labelsize=8)

plt.show()