递归特征消除python实现

递归特征消除（RFE）的Python实现可以通过使用scikit-learn库来完成。下面是一个使用逻辑回归模型和RFE算法进行特征选择的示例代码：

from sklearn.linear_model import LogisticRegression
from sklearn.feature_selection import RFE
from sklearn.datasets import make_classification

# 生成样本数据，包含100个特征和一个二分类目标变量
X, y = make_classification(n_samples=1000, n_features=100, n_informative=20, n_redundant=0, random_state=1)

# 创建逻辑回归模型
model = LogisticRegression()

# 创建特征递归消除法对象，选择最优的20个特征
rfe = RFE(model, n_features_to_select=20)

# 使用特征递归消除法来训练模型并选择最优的20个特征
X_selected = rfe.fit_transform(X, y)

# 打印最优的20个特征的索引和名称
print(rfe.get_support(indices=True))

# 打印特征选择后的数据集
print(X_selected)

在上面的代码中，我们首先使用`make_classification`函数生成包含100个特征和一个二分类目标变量的样本数据。然后，我们创建了一个逻辑回归模型，并使用RFE算法（通过`RFE`类）选择最优的20个特征。最后，我们使用`fit_transform`方法来训练模型并选择最优的20个特征。通过`get_support(indices=True)`方法可以获得最优特征的索引，并通过打印输出来查看特征选择后的数据集。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* *2* *3* [特征筛选之特征递归消除法及Python实现](https://blog.csdn.net/weixin_64338372/article/details/130021360)[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_2"}}] [.reference_item style="max-width: 100%"]
[ .reference_list ]