sklearn 中的 RFECV，来自 grid_scores_ 的分数

Posted 2023-03-12

【中文标题】sklearn 中的 RFECV，来自 grid_scores_ 的分数

【英文标题】：RFECV in sklearn, scores from grid_scores_

【发布时间】：2020-01-08 21:15:59

【问题描述】：

我正在使用sklearn.feature_selection.RFECV：

ref = RFECV(lr, step=1, cv =5, scoring="r2")
ref.fit(X_ndarr, y_ndarr)
print(ref.grid_scores_)

我明白了：

[ 0.9316829 0.93472609 0.79440118 -2.37744438 -1.20559428 -1.35899883 -0.90087801 -1.02047363 -0.54169276 -0.08116821 -0.00685128 0.1561999 -0.26433411 -0.27843449 -0.32703359 -0.32782641 -0.30881354 0.11878835 0.08175137 0.04300757 0.0378917 0.04534877]

RFECV 在每个步骤中删除最不重要的特征，因此例如得分10 个功能应该是任何 10 个功能的最佳得分，而当我使用选定的 10 个功能（使用另一种方式）运行以下代码时：

from sklearn.model_selection import cross_val_score
lr = linear_model.LinearRegression()
scores = cross_val_score(lr, X_top10_ndarr, y_ndarr, cv=5) # top10 features

然后我得到：

交叉验证分数：[0.96706997 0.9653103 0.96386666 0.96017565 0.96603127]

所有分数都在 0.96 左右，而来自RFECV 的 10 个特征的分数是 -0.08。

这里到底发生了什么？

EDIT1：选择的特征数量为2，ranking_如下：

[ 4 7 1 6 3 2 8 11 5 10 21 9 12 14 13 15 16 19 18 17 1 20] p>

【参考方案1】：

ref.grid_scores_ 表示交叉验证分数，使得 grid_scores_[i] 对应于第 i 个特征子集的 CV 分数。

请参阅this 答案以进一步了解这些值。

按照这个解释，模型对 10 个特征的 cv 得分将是 -0.26433411

话虽如此，分数确实很差，因为它是负数，可能线性模型可能不适合您的数据集。

还有一点需要注意的是，即使是所有的特征，你也只有 0.9316829 小于 0.96。

可以使用 StratifiedKFold 设置 random_state 并将其作为 cv 参数值提供。

【讨论】：

谢谢。我还以为是-0.26，但是n_features_ 是2，而且arr 中的第二项是最大的。要自己验证它，请为此打印grid_scores_：scikit-learn.org/stable/auto_examples/feature_selection/… 所以，我认为文档也不准确！您还提到 LR 可能不太适合，那么为什么当我用 CV 做 LR 时它很适合？ RFECV 应该在任何 10 个特征组合中给出最好的结果。对吗？