RFE特征选择时特征重要度是如何计算的

RFE（Recursive Feature Elimination）特征选择是一种递归式的特征选择方法，它通过反复训练模型并剔除对模型贡献最小的特征来逐步缩小特征集合的规模，最终得到最优的特征子集。

在RFE特征选择过程中，特征重要度是通过训练模型来计算的。具体来说，对于每个特征，我们训练一个模型，然后根据该模型的性能指标来评估该特征的重要性。一般来说，我们可以使用基于树的模型（如决策树、随机森林）或基于线性模型（如逻辑回归、线性回归）的特征重要性评估方法来计算特征重要度。

对于基于树的模型，可以使用特征重要性评估指标（如基尼系数、信息增益）来计算每个特征的重要度。对于基于线性模型，可以使用特征系数的绝对值来评估每个特征的重要度。

在RFE特征选择过程中，我们通过反复训练模型并剔除对模型贡献最小的特征来逐步缩小特征集合的规模，直到达到预设的特征数或者模型性能不再提升为止。最终得到的特征子集就是RFE选择的最优特征子集。