sequentialfeatureselector参数

`SequentialFeatureSelector` 是一个特征选择算法，它可以在给定的特征集合中找到最佳特征子集。它有以下一些参数：

- `estimator`: 用于训练模型的估计器对象。
- `k_features`: 要选择的特征数量或特征选择方法(例如，"best" 或 "percentile")。
- `forward`: 是否使用前向选择方法。默认为 True。
- `floating`: 在前向选择和后向选择之间切换的标志。默认为 False。
- `verbose`: 控制输出详细程度的整数值。默认为 0。
- `scoring`: 评分函数。默认为 "accuracy"。
- `cv`: 交叉验证折数或交叉验证对象。默认为 5。
- `n_jobs`: 并行作业数。默认为 1。
- `pre_dispatch`: 预调度作业的数量。默认为 "2*n_jobs"。

例如，以下代码使用 `SequentialFeatureSelector` 对 `X` 中的特征进行选择，以创建一个预测 `y` 的模型：

from mlxtend.feature_selection import SequentialFeatureSelector
from sklearn.linear_model import LinearRegression

# 创建一个估计器对象
lr = LinearRegression()

# 创建一个特征选择器对象
sfs = SequentialFeatureSelector(lr,
                                k_features=3,
                                forward=True,
                                verbose=2,
                                scoring='neg_mean_squared_error',
                                cv=5)

# 训练特征选择器并选择最佳特征子集
sfs.fit(X, y)

这将选择具有最高得分的三个特征，并返回一个新的 `X` 特征集合，其中只包含这些特征。