如何在 sklearn 中使用 SVC 运行 RFECV答案

【问题标题】：How to run RFECV with SVC in sklearn如何在 sklearn 中使用 SVC 运行 RFECV
【发布时间】：2019-09-03 02:01:43
【问题描述】：

我正在尝试使用GridSearchCV 以SVC 作为分类器执行递归特征消除和交叉验证 (RFECV)，如下所示。

我的代码如下。

X = df[my_features]
y = df['gold_standard']

x_train, x_test, y_train, y_test = train_test_split(X, y, random_state=0)

k_fold = StratifiedKFold(n_splits=10, shuffle=True, random_state=0)

clf = SVC(class_weight="balanced")
rfecv = RFECV(estimator=clf, step=1, cv=k_fold, scoring='roc_auc')

param_grid = {'estimator__C': [0.001, 0.01, 0.1, 0.25, 0.5, 0.75, 1.0, 10.0, 100.0, 1000.0],
              'estimator__gamma': [0.001, 0.01, 0.1, 1.0, 2.0, 3.0, 10.0, 100.0, 1000.0],
              'estimator__kernel':('rbf', 'sigmoid', 'poly')
       }

CV_rfc = GridSearchCV(estimator=rfecv, param_grid=param_grid, cv= k_fold, scoring = 'roc_auc', verbose=10)

CV_rfc.fit(x_train, y_train)

但是，我收到一条错误消息：RuntimeError: The classifier does not expose "coef_" or "feature_importances_" attributes

有没有办法解决这个错误？如果不是，我可以与SVC 一起使用的其他feature selection 技术是什么？

如果需要，我很乐意提供更多详细信息。

【问题讨论】：

您好，来自文档：Changed in version 0.17: Deprecated decision_function_shape=’ovo’ and None.
@BCJuan 我认为问题在于SVC 不支持coef_。你有什么建议可以解决这个问题吗？或任何其他支持 SVC 的特征选择技术的建议？
它不叫coef_，而是coef0

标签： python machine-learning scikit-learn svm

【解决方案1】：

要查看更多功能选择实现，您可以查看：

https://scikit-learn.org/stable/modules/classes.html#module-sklearn.feature_selection

例如，在下一个链接中，他们使用了带有 k-best 特征选择和 svc 的 PCA。

https://scikit-learn.org/stable/auto_examples/compose/plot_feature_union.html#sphx-glr-auto-examples-compose-plot-feature-union-py

一个使用示例是，为了更简单，从上一个链接修改：

iris = load_iris()

X, y = iris.data, iris.target

# Maybe some original features where good, too?
selection = SelectKBest()

# Build SVC
svm = SVC(kernel="linear")

# Do grid search over k, n_components and C:

pipeline = Pipeline([("features", selection), ("svm", svm)])

param_grid = dict(features__k=[1, 2],
                  svm__C=[0.1, 1, 10])

grid_search = GridSearchCV(pipeline, param_grid=param_grid, cv=5, verbose=10)
grid_search.fit(X, y)
print(grid_search.best_estimator_)

【讨论】：

它解决了部分问题：错误和问题iwhat are the other feature selection techniques that I can use with SVC?
如果它是问题的一部分，那么它应该是一个评论。请提供完整的解决方案作为答案。谢谢
虽然此链接可能会回答问题，但最好在此处包含答案的基本部分并提供链接以供参考。如果链接页面发生更改，仅链接答案可能会失效。 - From Review
@NaN 这样更好还是需要更多改进？

【解决方案2】：

emmm...在sklearn 0.19.2中，问题好像已经解决了。我的代码和你的差不多，但是可以用：

           svc = SVC(                    
            kernel = 'linear',
            probability = True,
            random_state = 1 ) 
       rfecv = RFECV(
               estimator = svc,
               scoring = 'roc_auc'  
               )

       rfecv.fit(train_values,train_Labels)     
       selecInfo = rfecv.support_                      
       selecIndex = np.where(selecInfo==1)

【讨论】：

它适用于“线性”内核，但它不适用于默认的“rbf”内核。