3

我正在使用递归特征估计 (RFE) 进行特征选择。这是通过迭代地采用估计器（例如 SVM 分类器），将其拟合到数据中，并删除具有最低权重（系数）的特征来实现的。

我能够将其与数据相匹配并执行特征选择。但是，我想从 RFE 中恢复每个特征的学习权重。

我使用下面的代码来初始化一个分类器对象和一个 RFE 对象，并将它们拟合到数据中。

    svc = SVC(C=1, kernel="linear")
    rfe = RFE(estimator=svc, n_features_to_select=300, step=0.1)
    rfe.fit(all_training, training_labels)

然后我尝试打印系数

print ('coefficients',svc.coef_)

并收到：

AttributeError: 'RFE' object has no attribute 'dual_coef_'

根据sklearn 文档，分类器对象应具有以下属性：

coef_ : array, shape = [n_class-1, n_features]
Weights assigned to the features (coefficients in the primal problem). This  is only 
available in the case of a linear kernel.
coef_ is a readonly property derived from dual_coef_ and support_vectors_.

我使用的是线性内核，所以这不是问题。

谁能解释为什么我无法恢复系数？有没有办法解决这个问题？

4

2 回答 2

4

发布后 2 分钟，我又查看了RFE的文档并实现了部分解决方案。

RFE 对象具有估计器对象作为属性。因此我可以打电话

print ('coefficients',rfe.estimator_.coef_)

并获得顶部选定特征的系数。（即这会返回前 300 个特征的系数，因为我之前设置了 n_features_to_select=300）。

但是，我仍然无法获得剩余未选择特征的系数。对于 RFE 的每次迭代，它都会训练分类器并为每个特征获取新系数。理想情况下，我想访问在每次迭代中学习的系数。

（因此，如果我从 3000 个特征开始，并使用步长 300 个特征，第一次迭代我想访问 3000 个系数，下一次迭代我想要剩余 2700 个特征的 2700 个系数，第三次迭代我想访问 2400 个系数， ETC。）

于 2015-12-10T15:26:48.600 回答
0 
from sklearn.linear_model import LogisticRegression

from sklearn.feature_selection import RFE

reg = LogisticRegression()

rfe = RFE(reg, no of features u want to select)

rfe.fit(X, Y)

print(rfe.support_)

您将了解哪些功能很重要以及更好的查看方式。

于 2018-07-19T22:01:27.913 回答