from sklearn.linear_model import ElasticNet from sklearn.datasets import make_regression from sklearn.model_selection import train_test_split, GridSearchCV from sklearn.feature_selection import SelectFromModel # 创建Elastic Net模型实例 elastic_net = ElasticNet() # 设置超参数的候选值 param_grid = {'alpha': [0.1, 0.5, 1, 2, 5], 'l1_ratio': [0.1, 0.3, 0.5, 0.7, 0.9]} # 使用网格搜索选择最优超参数 grid_search = GridSearchCV(elastic_net, param_grid, cv=5) grid_search.fit(x_train, y_train) # 输出最优超参数 print("Best parameters: {}".format(grid_search.best_params_)) # 使用最优超参数训练模型 elastic_net_best = ElasticNet(**grid_search.best_params_) elastic_net_best.fit(x_train, y_train) # 变量选择 selector = SelectFromModel(elastic_net_best, prefit=True) x_train_selected = selector.transform(x_train) x_train_selected selector # 训练新模型 elastic_net_selected = ElasticNet(**grid_search.best_params_) elastic_net_selected.fit(x_train_selected, y_train) # 测试模型 x_test_selected = selector.transform(x_test) y_pred = elastic_net_selected.predict(x_test_selected)怎么查看筛选出的变量

在以上代码中，使用了sklearn.feature_selection模块中的SelectFromModel方法进行变量选择，其中的参数prefit=True表示输入的模型elastic_net_best已经进行了拟合，selector可以根据输入的模型选择重要特征。

要查看筛选出的变量，可以打印selector的get_support()方法，该方法返回一个布尔数组，表示哪些特征被选择了。True表示该特征被选择，False表示该特征未被选择。具体代码如下：

# 查看选择的变量
print(selector.get_support())

该方法返回的布尔数组的长度与原始特征数相同，可以将该数组与原始特征名对应起来，得到被选择的特征名。例如，假设原始特征名保存在列表feature_names中，则可以使用以下代码获取被选择的特征名：

# 获取选择的变量名
selected_feature_names = [feature_names[i] for i in range(len(feature_names)) if selector.get_support()[i]]
print(selected_feature_names)

该代码会输出被选择的特征名。注意，上述代码中的feature_names是一个列表，保存了所有特征的名称。如果没有保存特征名称，可以使用pandas库将特征和目标变量保存为一个DataFrame，其中列名即为特征名。例如，假设特征和目标变量分别保存在变量x和y中，则可以使用以下代码将它们保存为一个DataFrame：

import pandas as pd

data = pd.DataFrame(x, columns=feature_names)
data['target'] = y