带交叉验证的递归特征消除 (RFEVC) 不适用于多层感知器估计器（以及其他几个分类器）。
我希望在许多分类器中使用特征选择，执行交叉验证来验证其特征选择。有什么建议么？
对于结构化数据，有一个独立于模型选择的特征选择，称为排列重要性。解释得很好here和其他地方。
你应该看看它。这是目前正在sklearn中实现.
目前没有 MLP 的实现，但可以使用如下的方法轻松完成（来自文章）：
def permutation_importances(rf, X_train, y_train, metric):
baseline = metric(rf, X_train, y_train)
imp = []
for col in X_train.columns:
save = X_train[col].copy()
X_train[col] = np.random.permutation(X_train[col])
m = metric(rf, X_train, y_train)
X_train[col] = save
imp.append(baseline - m)
return np.array(imp)
请注意，此处训练集用于计算特征重要性，但您可以选择使用测试集，如所讨论的here.
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
