RFECV函数具体例子

下面是使用RFECV函数进行特征选择的一个例子：

from sklearn.datasets import make_friedman1
from sklearn.feature_selection import RFECV
from sklearn.svm import SVR

# 生成一个示例数据集
X, y = make_friedman1(n_samples=50, n_features=10, random_state=0)

# 定义一个支持向量回归模型作为评估器
estimator = SVR(kernel="linear")

# 定义一个RFECV对象
selector = RFECV(estimator, step=1, cv=5)

# 进行特征选择并训练模型
selector = selector.fit(X, y)

# 输出每个特征的排名和选择结果
print(selector.ranking_)
print(selector.support_)

在上面的代码中，我们首先使用`make_friedman1`函数生成了一个包含50个样本和10个特征的数据集。接着，我们定义了一个支持向量回归模型作为评估器，并使用RFECV函数进行特征选择。最后，我们输出了每个特征的排名和选择结果。

需要注意的是，RFECV函数会自动进行交叉验证，并根据交叉验证的结果选择最优的特征子集。在上面的例子中，我们使用了5折交叉验证，因此对于每个特征，RFECV都会在5个不同的训练集上进行训练，并在剩余的验证集上进行评估。最终，RFECV会选出一个最优的特征子集，并返回每个特征的排名和选择结果。