递归特征消除（RFE）+ 交叉验证

Posted 2023-05-15

参考技术A 递归特征消除（Recursive feature elimination）

递归特征消除的主要思想是反复构建模型，然后选出最好的（或者最差的）特征（根据系数来选），把选出来的特征放到一边，然后在剩余的特征上重复这个过程，直到遍历了所有的特征。在这个过程中被消除的次序就是特征的排序。

RFE的稳定性很大程度上取决于迭代时，底层用的哪种模型。比如RFE采用的是普通的回归（LR），没有经过正则化的回归是不稳定的，那么RFE就是不稳定的。假如采用的是Lasso/Ridge，正则化的回归是稳定的，那么RFE就是稳定的。

from sklearn.feature_selection import RFE
from sklearn.feature_selection import RFECV
from sklearn.linear_model import LinearRegression,Ridge,Lasso
from pandas import read_csv
import numpy as np
from scipy.stats import pearsonr
from sklearn.model_selection import StratifiedKFold
from sklearn.ensemble import RandomForestClassifier
import csv

tps = read_csv('E:\workfile\data\trade\tps.csv', header=0)
label = np.array(tps)[:, 0]
feature = np.array(tps)[:, 1:]

def RFErfe():

看一下RFE的输入参数：
estimator：估计函数，底层的回归模型。一个监督学习的估计函数，有fit方法，fit方法，通过 coef_ 属性或者 feature_importances_ 属性来提供feature重要性的信息。
n_features_to_select : int or None (default=None)选择(最优)feature的数量，超出的部分按照关联性排序。如果选择 None , 就选择一半的feature。
step：int or float, 可选(default=1)如果大于等于1，step对应于迭代过程中每次移除的属性的数量（integer）。如果是（0.0，1.0），就对应于每次移除的特征的比例，四舍五入。

可以调用的属性：
n_features_ : int所选特征的数量。

这是n_features_to_select=2时候的运行结果，可以看出来，两个部分的属性应该是最好的，超过的部分按照属性相关的强弱一次排序。

support_ : array of shape [n_features]，[n_features]大小的array，所选特征的一种模糊的表示，可以看出来，打印结果就是true和false，最优的是true，别的是false。
ranking_ : array of shape [n_features]，[n_features]大小的array，特征的排序，比如 ranking_[i] 表示的就是第i个特征的排名位置。估计最佳的属性被排为1.

tps = read_csv('E:\workfile\data\trade\tps.csv', header=0)
label = np.array(tps)[:, 0]
feature = np.array(tps)[:, 1:]

这是运行结果。
按照惯例跟进去看一下源码。
传入参数：
estimator：和上面的一样。

step：和上面的一样。

cv：int，交叉验证的生成器或者迭代器。可选。
cv可选择的输入为：
-None，使用默认的3折交叉验证。
-integer，指定交叉验证的折数。
-一个object用作交叉验证的生成器。
-一种迭代的训练/测试集的分割。
对于None或者integer的输入。如果“y”是二分类或者多分类，就要用
class: sklearn.model_selection.StratifiedKFold
如果估计函数是一个分类器，或者“y”不是二分类也不是多分类，就要用
class: sklearn.model_selection.KFold
这里可以使用多种交叉验证的方法。
我这里使用的是回归的数据，因此可以知道使用的是KFold。
跟进去看一下KFold的源码。
n_splits : int, default=3，交叉验证的折数，默认3，最少是2。
shuffle : boolean, optional，可选。是否在分割成若干批次之前对数据进行洗牌。
random_state : int, RandomState 实例，或者None, optional, 可选default=None默认None。
如果是int, random_state是随机数生成器的种子。（指定一个，不指定的话每次结果都会不一样）
如果是RandomState 实例, random_state是随机数生成器。
如果是None,随机数是通过 RandomState 实例 np.random 生成的。此时 shuffle == True.

scoring : string, callable（可调用的） or None, optional,可选的 default: None，默认：None，评分标准。一个string型（参考model evaluation documentation模型评估文档）或者一个可以调用的评分object/function
with signature scorer(estimator, X, y) .
可调用的属性：
n_features_ : int，通过交叉验证得到的特征选择的数量。
support_：和上面一样。
ranking_：和上面一样。
grid_scores_：array of shape [n_subsets_of_features]，交叉验证的分数，比如 grid_scores_[i] 第i个特征子集的CV分数。 grid_scores_ is equal to ceil((n_features - 1) / step) + 1,
estimator_ :和上面一样。

用于分类和回归的递归特征消除的模型

【中文标题】用于分类和回归的递归特征消除的模型

【英文标题】：models to use for Recursive Feature Elimination for classification and regression

【发布时间】：2020-04-08 01:33:33

【问题描述】：

对于Recursive Feature Elimination 和classification 和regression，我们可以使用哪些模型。

例如我们可以使用

selector = RFE(RandomForestClassifier(), 5)

用于分类 和

selector = RFE(RandomForestRegressor(), 5)

回归

还有哪些其他模型可用于 RFE？ 可以将回归 RFE 模型用于分类，反之亦然（在某处阅读。仍然不确定它们如何适应）

【参考方案1】：

关于 Q.1，文档说明：

估计器：对象

具有拟合方法的监督学习估计器，通过 coef_ 属性或 feature_importances_ 属性提供有关特征重要性的信息。

coef_ 通常与所有线性模型相关联（例如sklearn.linear_model、sklearn.naive_baye、sklearn.svm 等）。 feature_importances_ 与基于树的模型相关联：例如sklearn.tree.DecisionTreeClassifier、sklearn.ensemble.RandomForestClassifier等

关于 Q.2，我对此知之甚少。我的直觉是，您可以通过离散化问题来使用一些分类器来解决回归问题，但不确定它在实践中是否有用。我会让更有知识的人回答这个问题。