机器学习模型缺一不可的REF的特征选择神器

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

`如何用RFE选择重要特征的比例，并保留下来。特征的选择对于模型的训练速度和精度有着巨大的影响，如何用合适的特征是非常重要的。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、RFE是什么？

RFE:递归特征删除法是不断训练模型，每次训练完毕删除掉n个重要性低的特征，然后对新的特征再次进行训练，又一次得到特征重要性，再次删除n个重要性低的特征，直到特征数满足自己的设定。

二、使用步骤

1.案例

代码如下（示例）：

from sklearn.linear_model import Lasso
from sklearn.feature_selection import RFE
warnings.filterwarnings('ignore')
lasso = Lasso()
ref = REF(lasso,7)
ref.fit(x,y)
X= x.loc[:,ref.get_support]
data= pd.concat([X,y],axis=1）合并特征和目标值
df = pd.dateframe(data)
a=df.corr()使用皮尔逊相关系数查看特征的相关性
print(a)

2.参数解析

REF()里面第一个参数用lasso/岭回归比lr更稳定，第二个参数所选参数量
用rfe.get_support选择留下排名前第二个参数的数量

---

总结

在工作中，这个方法对于机器学习模型训练速度和表现起到非常重要的意义，各位家人们可以试试。