# 2.构建RF模型 lasso = Lasso(alpha=10000, random_state=1) # 随机森林 c = lasso.fit(X, Y) # 特征重要性 #print("重要性：") #print(c) # 3.递归特征消除法 selector1 = RFE(lasso, n_features_to_select=6, step=1).fit(X, Y) # n_features_to_select表示筛选最终特征数量，step表示每次排除一个特征 selector1.support_.sum() print(selector1.ranking_) # 特征排除排序 print(selector1.n_features_) # 选择特征数量 X_wrapper1 = selector1.transform(X) # 最优特征 score =cross_val_score(lasso, X_wrapper1, Y, cv=9).mean() print(score)代码意思

这段代码的意思如下：

1. 定义了一个 Lasso 回归模型，并设置 alpha 值为 10000，随机种子为 1
2. 使用 Lasso 模型拟合训练数据 X 和 Y，得到特征重要性
3. 使用递归特征消除法（RFE）进行特征筛选，选择最终特征数量为 6，每次排除一个特征，得到特征排除排序和选择特征数量
4. 使用 selector1.transform(X) 得到最优特征，并计算交叉验证得分

注意：这里的特征选择方法是使用 Lasso 回归模型和递归特征消除法（RFE）相结合，选择最终特征数量为 6。而不是使用随机森林（Random Forest）模型。