预测模型递归特征消除

预测模型递归特征消除是一种基于模型的特征选择方法，通常用于在数据预处理后确定最终的特征和参数。这种方法通过构建预测模型，并反复训练模型来评估每个特征的重要性，从而递归地消除不重要的特征。递归特征消除的步骤一般包括以下几个步骤：

1. 计算初始模型在所有特征上的特征重要性得分。
2. 去掉得分最低的特征，并重新训练模型。
3. 重复步骤1和步骤2，直到选择的特征数达到所需的数量或达到预定义的停止标准。

递归特征消除的优点是它可以在不需要先验知识的情况下对特征进行选择，并且可以对高维数据集进行有效的特征筛选。此外，它还可以通过交叉验证来评估模型的性能，以避免过拟合。然而，该方法的缺点是计算成本较高，特别是在处理大型数据集时。因此，在使用递归特征消除之前，我们需要权衡其计算成本和性能提升的效果。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* [随机森林的REF递归特征消除法来筛选特征（python实现不依赖sklearn)](https://blog.csdn.net/qq_23345187/article/details/129362153)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 33.333333333333336%"]
- *2* [论文研究 - 犯罪预测的基本建模方法和高级建模方法的模型性能比较](https://download.csdn.net/download/weixin_38677190/12454028)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 33.333333333333336%"]
- *3* [递归特征消除(Recursive Feature Elimination）原理与Sklearn实现](https://blog.csdn.net/qq_36333576/article/details/123763072)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 33.333333333333336%"]
[ .reference_list ]