为什么 Scikit-learn RFECV 会为训练数据集返回非常不同的特征？答案

【问题标题】：Why is Scikit-learn RFECV returning very different features for the training dataset?为什么 Scikit-learn RFECV 会为训练数据集返回非常不同的特征？
【发布时间】：2021-05-21 23:19:44
【问题描述】：

我一直在波士顿数据集上试验 RFECV。

到目前为止，我的理解是，为了防止数据泄漏，重要的是只对训练数据而不是整个数据集执行此类活动。

我只对训练数据执行了 RFECV，结果表明 14 个特征中有 13 个是最优的。然而，我随后在整个数据集上运行了相同的过程，这一次，它表明只有 6 个特征是最优的——这似乎更有可能。

举例说明：

import numpy as np
import pandas as pd

from sklearn.model_selection import train_test_split
from sklearn.feature_selection import RFECV
from sklearn.linear_model import LinearRegression
from sklearn.datasets import load_boston

### CONSTANTS
TARGET_COLUMN = 'Price'
TEST_SIZE = 0.1
RANDOM_STATE = 0

### LOAD THE DATA AND ASSIGN TO X and y
data_dict = load_boston()
data = data_dict.data
features = list(data_dict.feature_names)
target = data_dict.target

df = pd.DataFrame(data=data, columns=features)
df[TARGET_COLUMN] = target

X = df[features]
y = df[TARGET_COLUMN]

### PERFORM TRAIN TEST SPLIT
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=TEST_SIZE, 
random_state=RANDOM_STATE)

#### DETERMINE THE DATA THAT IS PASSED TO RFECV
## Just the Training data
X_input = X_train
y_input = y_train

## All the data
# X_input = X
# y_input = y

### IMPLEMENT RFECV AND GET RESULTS
rfecv = RFECV(estimator=LinearRegression(), step=1, scoring='neg_mean_squared_error')
rfecv.fit(X_input, y_input)

rfecv.transform(X_input)

print(f'Optimal number of features: {rfecv.n_features_}')
imp_feats = X.drop(X.columns[np.where(rfecv.support_ == False)[0]], axis=1)
print('Important features:', list(imp_feats.columns))

运行上述将导致：

Optimal number of features: 13
Important features: ['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', 'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT']

现在，如果更改代码以使 RFECV 适合所有数据：

#### DETERMINE THE DATA THAT IS PASSED TO RFECV
## Just the Training data
# X_input = X_train # NOW COMMENTED OUT
# y_input = y_train # NOW COMMENTED OUT

## All the data
X_input = X  # NOW UN-COMMENTED
y_input = y  # NOW UN-COMMENTED

并运行它，我得到以下结果：

Optimal number of features: 6
Important features: ['CHAS', 'NOX', 'RM', 'DIS', 'PTRATIO', 'LSTAT']

我不明白为什么整个数据集的结果与仅训练集的结果如此明显不同（而且看起来更准确）。

我已经尝试通过使 test_size 非常小（通过我的 TEST_SIZE 常量）使训练集接近整个数据的大小，但我仍然得到这个看似不太可能的差异。

我错过了什么？

【问题讨论】：

标签： machine-learning scikit-learn feature-selection

【解决方案1】：

这显然是一种意外行为，尤其是当您可以将测试规模减少到 10% 甚至 5% 并发现类似的差异时，这似乎非常违反直觉。理解这里发生了什么的关键是要意识到对于这个特定的数据集，每列中的值并不是随机分布在行中的（例如，尝试运行X['CRIM'].plot()）。您用于拆分数据的train_test_split 函数有一个参数shuffle，默认为True。因此，如果您查看X_train 数据集，您会发现索引是混乱的，而在X 中它是连续的。这意味着当RFECV 类在后台执行交叉验证时，它会在X 的每个拆分中获得一个有偏差的数据子集，但在@ 的每个拆分中获得一个更具代表性/随机的数据子集987654329@。如果您将shuffle=False 传递给train_test_split，您会发现这两个结果更接近（或者，也可以尝试改组X 的索引）。

【讨论】：