如何在python中的sklearn中获取GridSearchCV中的选定功能

我使用交叉验证(rfecv)的递归特征消除作为GridSearchCV的特征选择技术.

我的代码如下.

X = df[my_features_all]
y = df['gold_standard']

x_train,x_test,y_train,y_test = train_test_split(X,y,random_state=0)

k_fold = StratifiedKFold(n_splits=5,shuffle=True,random_state=0)

clf = RandomForestClassifier(random_state = 42,class_weight="balanced")

rfecv = RFECV(estimator=clf,step=1,cv=k_fold,scoring='roc_auc')

param_grid = {'estimator__n_estimators': [200,500],'estimator__max_features': ['auto','sqrt','log2'],'estimator__max_depth' : [3,4,5]
    }

CV_rfc = GridSearchCV(estimator=rfecv,param_grid=param_grid,cv= k_fold,scoring = 'roc_auc',verbose=10,n_jobs = 5)
CV_rfc.fit(x_train,y_train)
print("Finished feature selection and parameter tuning")

现在,我想从上面的代码中获得最佳数量的功能和所选功能.

为此,我运行了以下代码.

#feature selection results
print("Optimal number of features : %d" % rfecv.n_features_)
features=list(X.columns[rfecv.support_])
print(features)

但是,出现以下错误：
AttributeError：“ RFECV”对象没有属性“ n_features_”.

还有其他获取这些详细信息的方法吗？

如果需要,我很乐意提供更多详细信息.

因此,要访问最佳功能,您需要访问GridSearchCV的best_estimator_属性：

CV_rfc.fit(x_train,y_train)
print("Finished feature selection and parameter tuning")

print("Optimal number of features : %d" % rfecv.n_features_)
features=list(X.columns[CV_rfc.best_estimator_.support_])
print(features)

（编辑：安卓应用网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!