scikit-learn 中递归特征消除 (RFE) 的排名和分数

Question

我试图了解如何读取RFECV 中的grid_scores_ 和ranking_ 值。以下是文档中的主要示例：

from sklearn.datasets import make_friedman1
from sklearn.feature_selection import RFECV
from sklearn.svm import SVR
X, y = make_friedman1(n_samples=50, n_features=10, random_state=0)
estimator = SVR(kernel="linear")
selector = RFECV(estimator, step=1, cv=5)
selector = selector.fit(X, y)
selector.support_ 
array([ True,  True,  True,  True,  True,
        False, False, False, False, False], dtype=bool)

selector.ranking_
array([1, 1, 1, 1, 1, 6, 4, 3, 2, 5])

我应该如何阅读ranking_ 和grid_scores_？ 越低排名价值是否越好？ （或相反亦然？）。之所以问这个问题是因为我注意到具有 最高排名 值的特征通常在grid_scores_ 中得分最高。

但是，如果某个东西有 ranking = 1，这不应该意味着它被评为该组中最好的吗？。这也是文档says：

“选定（即估计的最佳）特征被分配排名 1”

但是现在让我们用一些真实数据来看看下面的例子：

> rfecv.grid_scores_[np.nonzero(rfecv.ranking_ == 1)[0]]
0.0

而具有最高排名价值的特征具有最高 *得分*。

> rfecv.grid_scores_[np.argmax(rfecv.ranking_ )]
0.997

请注意，在上面的示例中，ranking=1 的特征得分最低

文档中的图：

关于这件事，在文档中的this figure 中，y 轴读取"number of misclassifications"，但它正在绘制grid_scores_，它使用'accuracy' (?) 作为评分函数。 y 标签不应该读作accuracy 吗？ （越高越好）而不是"number of misclassifications"（越低越好）

Answer 1

你是正确的，低排名值表示一个好的特性，并且 grid_scores_ 属性中的高交叉验证分数也很好，但是你误解了 grid_scores_ 中的值的含义。来自 RFECV 文档

grid_scores_

array of shape [n_subsets_of_features]

The cross-validation scores such that grid_scores_[i] corresponds to the CV score of the i-th subset of features.

因此，grid_scores_ 值不对应于特定特征，它们是特征子集的交叉验证错误指标。在该示例中，具有 5 个特征的子集被证明是信息量最大的集合，因为grid_scores_ 中的第 5 个值（包含 5 个最高排名特征的 SVR 模型的 CV 值）是最大的。

您还应该注意，由于没有明确指定评分指标，因此使用的评分器是 SVR 的默认值，即 R^2，而不是准确度（仅对分类器有意义）。