0回答
fit.explained_variance_ratio_)[ 0.57554896 0.42445104]然而，当我做RFE (递归特征消除
浏览 4提问于2017-12-07得票数 0
回答已采纳
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。
浏览 4提问于2018-08-04得票数 3
回答已采纳
我有近1000个地点的一些空间数据，每个地点大约有5000个特征。我正在做邻域分析，以确定哪些特征在本地社区中占主导地位。
我读到，使用递归的特征消除，只有强的特征可以保持，弱的特征可以消除。对于某些特定的位置，我得到了numpy形状的邻域数据X ( 14,5000)，其中5000是特征，14个是本地邻居。我还得到了14个长度的目标向量，有3个类标签。from sklearn.model_selection impo
浏览 0提问于2021-04-01得票数 0
2回答
我有一个问题，要求我找到可能的特征的最小子集(最小数量的特征列)，使得模型的得分超过0.4 现在，我的想法是逐个删除特征列，看看模型的得分何时最接近0.4。是那么回事吗？
浏览 12提问于2019-05-02得票数 1
回答已采纳
我试图在sklearn中使用递归特征消除对该特性进行排序。但是，在使用RFE时，我得到了这个错误。以下是错误和代码信息。📷 x_vals = data['all_data'][:,0:320]
y_vals_new = np.array([0 if each=有人认为，只有当内核被选择为线性时，递归特征消除(RFE)才适用于SVC。是这样吗？非常感谢!
浏览 0提问于2018-08-01得票数 0
回答已采纳
我想知道是否有支持RFE在GPU上执行从我在sklearn网站，我找不到任何文件，因此，我认为没有官方的支持。
如果有一些指示，无论是官方支持，或任何学术/非学术尝试，将不胜感激的信息。
浏览 2提问于2019-11-28得票数 0
回答已采纳
1回答
我参加了一门在线课程，讲师使用数据集(50，5)解释了向后消除，您可以通过查看列的p值来手动消除列。y, exog = X_opt).fit() # and so on 现在，当我在像(2938,214)这样的大型数据集上进行练习时，我必须自己消除所有列吗
浏览 40提问于2020-01-31得票数 1
回答已采纳
1回答
递归特征消去中估计量的超参数估计
、、、、
通过交叉验证，使用RFECV模块实现递归特征消除。RFE涉及到反复训练完整特征集上的估计器，然后删除信息最少的特征，直到收敛到最优的特征数。from sklearn.cross_validation import StratifiedKFoldfromsklearn import svm, grid_search
def get_best_fe
浏览 1提问于2015-04-09得票数 5
回答已采纳
我正在使用scikit学习做特征选择。这是我的密码from sklearn.feature_selection import
浏览 4提问于2017-08-28得票数 1
我正在使用sklearn中的RFECV模块来找到最佳的功能数量，以在2折上产生最高的交叉验证。我使用岭回归作为我的估计器。我将在我的数据上运行RFECV，它会说有两个特征是最优的。但当我删除回归系数最低的一个特征并重新运行RFECV时，它现在显示3个特征是最优的。当我逐个遍历所有特性时(正如递归应该做的那样)，我发现3实际上是最优的。
我已经用其他数据集对此进行了测试，并发现随着我一次删除一个特征并重新运行RFECV，最佳特征数会发生变化。
浏览 7提问于2016-12-26得票数 1
1回答
我正在尝试使用scikit的递归特征消除和交叉验证来处理具有二进制类问题的(5000, 37)数据，每当我适合该模型时，算法就会进入无限循环。我的数据是： from sklearn.svm import SVC fromsklearn.feature_selection import RFECV X = np.random.randin
浏览 39提问于2020-11-29得票数 0
回答已采纳
1回答
有人提议在Sklearn 中实现这一点，但同时，建议将eli5作为一种解决方案。然而，我不确定我是否正确地使用了它。这是我的密码：from sklearn.feature_selection import RFECVimport eli5
X, y = make_friedman1(n_samples=50, n_features=10, random_state=0)estim
浏览 2提问于2020-06-23得票数 3
回答已采纳
1回答
我有一个包含大量变量的数据集，输出可以是A或not A。如何删除对预测输出没有用处的变量？我有一个贷款的数据集，它的状态loan_status当前是Fully Paid或Charged Off由于数据集非常大，我想只保留有助于我预测输出的基本变量。
id member_id loan_amnt funded_amnt funded_amnt_inv term int_rate installment grade sub_grade emp_title emp_length home_ow
浏览 13提问于2019-07-18得票数 0
我正在使用递归特征消除(RFE)管道： from sklearn.feature_selection import RFE
c_GAUSS = GaussianProcessClassifier()
浏览 967提问于2021-08-30得票数 2
回答已采纳
4回答
我试图使用scikit-learn和随机林分类器预先形成递归特征消除，使用OOB作为在递归过程中创建的每个子集的评分方法。请注意，我希望使用一种方法，该方法将显式地告诉我在最优分组中选择了来自我的pandas DataFrame中的哪些特性，因为我使用递归特性选择来尽量减少我将输入到最终分类器中的数据量。下面是一些示例代码：import pandas as pdfrom <e
浏览 9提问于2014-06-09得票数 17
回答已采纳
目前，我正在研究网格搜索(GridSearchCV)中的递归特征消除(RFECV)，使用scikit-learn寻找基于树的方法。为了清楚起见，这意味着：
以下是对折旧的全面警告：
home/csw34/git/scikit-learn&#x
浏览 1提问于2015-08-03得票数 2
1回答
我想在Sklearn中使用KNN算法。在KNN中，标准的做法是进行数据归一化，以消除范围更大的特征对距离的影响。我想知道的是，这是在Sklearn中自动完成的，还是我应该自己对数据进行规范化？
浏览 4提问于2015-06-01得票数 3
回答已采纳
1回答
我在一个只有15个特征试图预测二进制结果的数据集上拟合逻辑拉索。我知道LASSO应该做特征选择和消除不重要的特征(系数= 0)，但在我的分析中，它已经选择了所有的特征，而没有消除其中的任何一个。我的问题是：
这是因为我的特征太少，或者特征之间没有关联(对于分类模型来说，低co-linearity?)Is是一件坏事还是好事？所选的特征系数小于0.1，我能把它们解释为对模型不重要或不重要吗？附注：我使用python中的sklear
浏览 2提问于2021-12-15得票数 0
使用相关性和使用特征选择来选择重要的/高度相关的变量有什么区别？在研究特征选择时，我看到它使用包括皮尔逊相关性在内的统计测试。当这样做时，通过递归特征消除，前3个相关性最高的变量和前3个排序的变量之间有一个共同的变量。
浏览 10提问于2017-12-07得票数 0
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
对象存储
腾讯会议
云直播活动推荐
腾讯云开发者
