波士顿房价数据集进行稀疏性特征选择的代码

波士顿房价数据集是一个经典的机器学习数据集，用于预测波士顿地区房屋价格的中位数。稀疏性特征选择是一种特征选择方法，用于选择对目标变量有显著影响的特征。下面是一个使用波士顿房价数据集进行稀疏性特征选择的示例代码：

import numpy as np
from sklearn.datasets import load_boston
from sklearn.feature_selection import SelectPercentile, f_regression

# 加载波士顿房价数据集
boston = load_boston()
X, y = boston.data, boston.target

# 进行稀疏性特征选择
selector = SelectPercentile(score_func=f_regression, percentile=10)  # 选择得分排名前10%的特征
X_selected = selector.fit_transform(X, y)

# 打印选择的特征
selected_features = np.array(boston.feature_names)[selector.get_support()]
print("Selected Features:", selected_features)

在上述代码中，我们首先导入了必要的库，包括`numpy`和`sklearn`。然后，使用`load_boston`函数加载波士顿房价数据集，并将特征矩阵存储在`X`中，目标变量存储在`y`中。

接下来，我们使用`SelectPercentile`类进行稀疏性特征选择。在这个例子中，我们选择了得分排名前10%的特征。`score_func=f_regression`表示使用F检验作为特征评估指标。

最后，我们使用`fit_transform`方法对特征矩阵`X`进行特征选择，并将选择后的特征矩阵存储在`X_selected`中。通过`selector.get_support()`方法可以获取选择的特征的布尔掩码，然后使用`np.array(boston.feature_names)`获取特征名称，并根据掩码选择对应的特征名称。

希望以上代码对您有帮助！如果您有任何进一步的问题，请随时提问。