"""
使用RFE进行特征选择：RFE是常见的特征选择方法，也叫递归特征消除。它的工作原理是递归删除特征，
并在剩余的特征上构建模型。它使用模型准确率来判断哪些特征（或特征组合）对预测结果贡献较大。
"""
from sklearn import datasets
from sklearn.feature_selection import RFE
from sklearn.linear_model import LogisticRegression
testdataset = datasets.load_iris()
model = LogisticRegression()
rfe = RFE(model, 3)
rfe = rfe.fit(testdataset.data, testdataset.target)
print(rfe.support_)
print(rfe.ranking_)
本文介绍了一种常见的特征选择方法——递归特征消除(RFE)。RFE通过递归删除特征并在剩余特征上构建模型，以此判断哪些特征对预测结果贡献较大。文中使用了Iris数据集和逻辑回归模型进行演示。
Python3.8
Python 是一种高级、解释型、通用的编程语言，以其简洁易读的语法而闻名，适用于广泛的应用，包括Web开发、数据分析、人工智能和自动化脚本
您可能感兴趣的与本文相关的镜像
Python3.8
Conda
Python
Python 是一种高级、解释型、通用的编程语言，以其简洁易读的语法而闻名，适用于广泛的应用，包括Web开发、数据分析、人工智能和自动化脚本
扫一扫
1019
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
