sklearn.feature_selection.RFE?

class sklearn.feature_selection.RFE(estimator, *, n_features_to_select=None, step=1, verbose=0)

[源碼]

具有遞歸特征消除的特征排序。

給定將權重分配給特征（例如線性模型的系數）的外部估計器，遞歸特征消除（RFE）的目標是通過遞歸考慮越來越少的特征集來選擇特征。首先，對估計器進行初始特征集訓練，并通過coef_屬性或 feature_importances_屬性獲得每個特征的重要性。然后，從當前特征集中刪除最不重要的特征。在經過修剪的集合上遞歸地重復這個過程，直到達到需要選擇的特征數量。

在用戶指南中閱讀更多內容。

參數	說明
estimator	object 一種監督學習估計器，其`fit`方法通過`coef_` 屬性或`feature_importances_`屬性提供有關特征重要性的信息。
n_features_to_select	int or None (default=None) 要選擇的特征數量。如果為`None`，則選擇一半特征。
step	int or float, optional (default=1) 如果大于或等于1，則`step`對應于每次迭代要刪除的特征個數（整數）。如果在（0.0，1.0）之內，則`step`對應于每次迭代要刪除的特征的百分比（向下舍入）。
verbose	int, (default=0) 控制輸出的詳細程度。

屬性	說明
n_features_	int 所選特征的數量。
support_	array of shape [n_features] 所選特征的掩碼。
ranking_	array of shape [n_features] 特征排序，使ranking_[i]對應第i個特征的排序位置。選擇的(即估計的最佳)特征被排在第1位。
estimator_	object 擬合簡化后數據集的外部估算器。

另見

RFECV

通過內置的交叉驗證選擇最佳數量的特征來消除遞歸特征

注

如果基礎估算器也可以輸入，則允許NaN / Inf。

參考

1 Guyon, I., Weston, J., Barnhill, S., & Vapnik, V., “Gene selection for cancer classification using support vector machines”, Mach. Learn., 46(1-3), 389–422, 2002.

示例

以下示例顯示如何在Friedman＃1數據集中檢索5個最有用的特征。

>>> from sklearn.datasets import make_friedman1
>>> from sklearn.feature_selection import RFE
>>> from sklearn.svm import SVR
>>> X, y = make_friedman1(n_samples=50, n_features=10, random_state=0)
>>> estimator = SVR(kernel="linear")
>>> selector = RFE(estimator, n_features_to_select=5, step=1)
>>> selector = selector.fit(X, y)
>>> selector.support_
array([ True,  True,  True,  True,  True, False, False, False, False,
       False])
>>> selector.ranking_
array([1, 1, 1, 1, 1, 6, 4, 3, 2, 5])

方法

方法	說明
`decision_function`(X)	計算`X`的決策函數。
`fit`(X, y)	對所選特征擬合RFE模型和底層估計器。
`fit_transform`(X[, y])	擬合數據并對其進行轉換。
`get_params`([deep])	獲取此估計器的參數。
`get_support`([indices])	獲取所選特征的掩碼或整數索引。
`inverse_transform`(X)	反向轉換操作
`predict`(X)	將X簡化為選定的特征，然后使用基估計器進行預測。
`predict_log_proba`(X)	預測X的類對數概率。
`predict_proba`(X)	預測X的類概率。
`score`(X, y)	將X簡化為選擇的特征，然后返回基估計器的分數。
`set_params`(**params)	設置此估算器的參數。
`transform`(X)	將X縮小為選定的特征。

__init__(estimator, *, n_features_to_select=None, step=1, verbose=0)

[源碼]

初始化self，參見help(type(self))獲取更多信息。

decision_function(X)

[源碼]

計算X的決策函數。

參數	說明
X	{array-like or sparse matrix} of shape (n_samples, n_features) 輸入樣本。在內部，如果將稀疏矩陣提供給 `csr_matrix`,它將轉換為 `dtype=np.float32`。

返回值	說明
score	array, shape = [n_samples, n_classes] or [n_samples] 輸入樣本的決策函數。類的順序與屬性classes_中的順序相對應。回歸和二分類產生一個形狀為[n_samples]的數組。

fit(X, y)

[源碼]

對所選特征擬合RFE模型和底層估計器。

參數	說明
X	array-like of shape (n_samples, n_features) 訓練輸入樣本。
y	array-like of shape (n_samples,) 目標值。

返回值	說明
self	object

fit_transform(X, y=None, **fit_params)

[源碼]

擬合數據，然后對其進行轉換。

使用可選參數fit_params將轉換器擬合到X和y，并返回X的轉換值。

參數	說明
X	{array-like, sparse matrix, dataframe} of shape (n_samples, n_features)
y	ndarray of shape (n_samples,), default=None 目標值
**fit_params	dict 其他擬合參數。

返回值	說明
X_new	ndarray array of shape (n_samples, n_features_new) 轉換后的數組。

get_params(deep=True)

[源碼]

獲取此估計器的參數。

參數	說明
deep	bool, default=True 如果為True，則將返回此估算器和所包含子對象的參數。

返回值	說明
params	mapping of string to any 參數名稱映射到其值。

get_support(indices=False)

[源碼]

獲取所選特征的掩碼或整數索引。

參數	說明
indices	boolean (default False) 如果為True，則返回值將是一個整數數組，而不是布爾掩碼。

返回值	說明
support	array 從特征向量中選擇保留特征的索引。如果`indices`為False，則為形狀為[＃輸入特征]的布爾數組，其中元素為True時（如果已選擇其對應的特征進行保留）。如果`indices`為True，則這是一個形狀為[＃輸出特征]的整數數組，其值是輸入特征向量的索引。

inverse_transform(X)

[源碼]

反向轉換操作。

參數	說明
X	array of shape [n_samples, n_selected_features] 輸入樣本。

返回值	說明
X_r	array of shape [n_samples, n_original_features] `X`中插入的列名為零的特征將被`transform`刪除。

predict(X)

[源碼]

將X簡化為選定的特征，然后使用基估計器進行預測。

參數	說明
X	array of shape [n_samples, n_features] 輸入樣本。

返回值	說明
y	array of shape [n_samples] 預測目標值。

predict_log_proba（X ）

[源碼]

預測X的類對數概率。

參數	說明
X	array of shape [n_samples, n_features] 輸入樣本。

返回值	說明
y	array of shape [n_samples] 輸入樣本的類對數概率。類的順序與屬性classes_中的順序相對應。

predict_proba（X ）

[源碼]

參數	說明
X	{array-like or sparse matrix} of shape (n_samples, n_features) 輸入樣本。在內部，如果將稀疏矩陣提供給`csr_matrix`，它將轉換為 `dtype=np.float32`。

返回值	說明
p	array of shape (n_samples, n_classes) 輸入樣本的分類概率。類的順序與屬性classes_中的順序相對應。

score（X，y ）

將X簡化為選擇的特征，然后返回基估計器的分數。

參數	說明
X	array of shape [n_samples, n_features] 輸入樣本。
y	array of shape [n_samples] 目標值。

set_params(**params)

[源碼]

設置此估算器的參數。

該方法適用于簡單的估計器以及嵌套對象（例如管道）。后者具有<component>__<parameter>形式的參數，以便可以更新嵌套對象的每個組件。

參數	說明
**params	dict 估計器參數。

返回值	說明
self	object 估計器實例。

transform(X)

[源碼]

將X縮小為選定的特征。

參數	說明
X	array of shape [n_samples, n_features] 輸入樣本。

返回值	說明
X_r	array of shape [n_samples, n_selected_features] 僅具有所選特征的輸入樣本。

sklearn.feature_selection.RFE使用示例?

遞歸特征消除 ?