- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我是 SKLearn 的新手,对特征选择有疑问。
我正在尝试构建一个 SVM 模型,我的数据具有大约 30 个特征,所有这些特征都大约 10k 个数据点,我目前正在尝试尽可能多地消除无用的特征。我先舍弃了与其他特征高度相关的特征,现在想使用 RFECV 优化剩余的特征。
首先,我在 sklearn 网站上找到了这段代码,我遇到了一些问题,想知道是否有人可以提供帮助。
X = df.drop(['label'], axis=1)
y = df['label']
rfe = RFECV(SVR(kernel='linear'), step=1, scoring='accuracy')
rfe.fit(X, y)
print(rfe.ranking_)
首先,如果我按原样运行它,它需要永远运行,我已经离开它很长时间了,但实际上我还没有设法让它完成。但是,如果我删除 kernel='linear'
,它运行得相当快,但随后会产生一条错误消息,该消息似乎来自 rfe.fit(X, y)
:
RuntimeError:分类器未公开“coef_”或“feature_importances_”属性
我已经将我的功能减少到大约 10 个,只是为了看看我是否可以加快速度作为测试,并且还尝试使用 step
变量,但是使用 kernel='linear'
变量似乎没有任何帮助加速它,它只是运行了几个小时而没有做任何事情。我想要的只是使用 RFECV 方法使用的功能列表。有人对我做错了什么或我可以做些什么来加快速度有什么建议吗?
非常感谢
最佳答案
试试这个来加快这个过程:
RFECV(SVR(kernel='linear'), step=5, scoring='accuracy', min_features_to_select = 10)
这应该明显更快。根据您的特定需求调整“step”和“min_features_to_select”。
关于python - RFECV 机器学习特征选择花费的 Python 时间太长,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/58797050/
我对 sklearn 中的教程稍作修改 所以X有缺失值。这不适用于原始 svc,因此我尝试创建一个 clf 作为管道——一个 imputer,然后是一个 svc。但是,我仍然收到缺失值错误。将 RFE
我想使用包含的交叉验证 (RFECV) 执行递归特征消除。我的问题是,虽然我对我的数据进行了大量二次采样,但由于我的特征数量 (278),这个过程太慢了,而且可能无法在我为实验分配的时间内得出结论。
在 Sklearn 中有一个实现这个的提议 #15075 , 但与此同时,建议将 eli5 作为解决方案。但是,我不确定我是否以正确的方式使用它。这是我的代码: from sklearn.datase
我是 SKLearn 的新手,对特征选择有疑问。 我正在尝试构建一个 SVM 模型,我的数据具有大约 30 个特征,所有这些特征都大约 10k 个数据点,我目前正在尝试尽可能多地消除无用的特征。我先舍
我是 SKLearn 的新手,对特征选择有疑问。 我正在尝试构建一个 SVM 模型,我的数据具有大约 30 个特征,所有这些特征都大约 10k 个数据点,我目前正在尝试尽可能多地消除无用的特征。我先舍
我正在尝试运行 RFECV 来选择最佳功能,并运行 GridSearchCV 来获得最佳超参数。我的代码如下所示: params = {'estimator__C': [1e-4, 1e4]} est
来自 scikit-learn RFE documentation ,算法依次选择更小的特征集,只保留权重最高的特征。权重低的特征会被丢弃,这个过程会不断重复,直到剩余的特征数量与用户指定的数量相匹配
我正在尝试对 sklearn 中的嵌套 CV 的内循环执行特征选择和网格搜索。虽然我可以将管道作为估算器传递给 RFECV,但当我将 RFECV 作为估算器传递给 GridSearchCV 时,我会收
使用交叉验证 (RFECV) 的递归特征消除不起作用,得到 KeyError: 'weight' .正如我所见,它无法计算系数,因此缺少权重。 我有一个估计器作为 XGBClassifier。 最佳答
我正在使用 scikit-learn 的递归特征排名函数(http://scikit-learn.org/stable/modules/generated/sklearn.feature_select
我很难理解给定的 RFECV example在当前文档中。在情节中,它被写为“nb of misclassifications”,所以我希望它“越低越好”。但在示例图中,最好的已被选为最高的交叉验证分
受此启发:http://scikit-learn.org/stable/auto_examples/feature_selection/plot_rfe_with_cross_validation.h
我想编写一个代码,可以在几个处理器和预处理器上进行网格搜索,也可以在不同的功能组合上进行网格搜索。我通过在 gridsearchCV 中使用 RFECV 来完成此操作。然而,这需要很长时间才能运行。因
我试图使用 rfecv 缩小与我的分类器真正相关的特征的数量。这是我写的代码 import sklearn import pandas as p import numpy as np import s
我尝试使用 RFECV 进行特征选择,但每次都会给出不同的结果,交叉验证是否将样本 X 划分为随机 block 或顺序确定性 block ? 此外,为什么 grid_scores_ 和 score(X
我尝试使用 RFECV 进行特征选择,但每次都会给出不同的结果,交叉验证是否将样本 X 划分为随机 block 或顺序确定性 block ? 此外,为什么 grid_scores_ 和 score(X
我使用递归特征消除和交叉验证 (rfecv) 来找到我拥有的多个特征的最佳准确度得分 (m =154)。 rfecv = RFECV(estimator=logreg, step=1, cv=Stra
我对机器学习还很陌生,并试图自己解决问题。我正在使用 SciKit learn 并拥有一个包含大约 20,000 个特征的推文数据集 (n_features=20,000)。到目前为止,我的准确率、召
我正在使用 sklearn 的特征提取 RFECV,它有一个参数“n_jobs”来分配核心使用。 我有一个英特尔 i5-8400 CPU @ 2.80GHz(6 核) 我正在运行 ubuntu 16.
Scikit-learn 库支持递归特征消除(RFE)及其交叉验证版本(RFECV)。 RFECV 对我来说非常有用,它可以选择小特征,但我想知道 RFE 的交叉验证是如何完成的。 RFE 是减少最不
我是一名优秀的程序员,十分优秀!