gan通过python实现_使用python+sklearn实现通过交叉验证来消除递归特征

通过交叉验证来消除递归特征(Recursive feature elimination with cross-validation)

一个递归特征消除的示例，该示例通过交叉验证自动调整所选特征的数量。 sphx_glr_plot_rfe_with_cross_validation_001 输出：

Optimal number of features : 3

print(__doc__)

import matplotlib.pyplot as plt
from sklearn.svm import SVC
from sklearn.model_selection import StratifiedKFold
from sklearn.feature_selection import RFECV
from sklearn.datasets import make_classification

# 使用3个具有信息的特征来构建分类任务
X, y = make_classification(n_samples=1000, n_features=25, n_informative=3,
                           n_redundant=2, n_repeated=0, n_classes=8,
                           n_clusters_per_class=1, random_state=0)

# 创建RFE对象并计算交叉验证的得分。
svc = SVC(kernel="linear")
# “准确性”评分与正确分类的数量成正比
rfecv = RFECV(estimator=svc, step=1, cv=StratifiedKFold(2),
              scoring='accuracy')
rfecv.fit(X, y)

print("Optimal number of features : %d" % rfecv.n_features_)

# 绘制特征数量与交叉验证的得分
plt.figure()
plt.xlabel("Number of features selected")
plt.ylabel("Cross validation score (nb of correct classifications)")
plt.plot(range(1, len(rfecv.grid_scores_) + 1), rfecv.grid_scores_)
plt.show()

脚本的总运行时间：(0分钟1.984秒) 估计的内存使用量： 8 MB 下载Python源代码:plot_rfe_with_cross_validation.py 下载Jupyter notebook源代码:plot_rfe_with_cross_validation.ipynb 由Sphinx-Gallery生成的画廊 ☆☆☆为方便大家查阅，小编已将scikit-learn学习路线专栏文章统一整理到公众号底部菜单栏，同步更新中，关注公众号，点击左下方“系列文章”，如图： 欢迎大家和我一起沿着scikit-learn文档这条路线，一起巩固机器学习算法基础。(添加微信：mthler，备注：sklearn学习，一起进【sklearn机器学习进步群】开启打怪升级的学习之旅。)