有没有办法在scikit-learn中用非线性模型进行递归特征选择？
我正在尝试在一个回归问题上使用SVR（支持向量回归）和rbf核。我的数据集大概有300个特征。我想选择一些更相关的特征，并使用类似于matlab中的sequentialfs函数，这个函数会尝试每种组合（或者说从少量变量开始，逐步添加变量，或者反过来，从多到少，像scikit中的RFE或RFECV那样）。
现在，正如我所说的，Python中有RFE，但我不能用它来处理非线性估计器。我是不是遗漏了什么，可以让我用RFE和非线性估计器一起使用？我想写一个这样的算法应该不难，但如果已经有现成的工具可以做到这一点，那肯定会更好。
谢谢你们，像往常一样；）
1 个回答
1
RFE（递归特征消除）需要有办法来判断特征的重要性，而RBF核的支持向量机（SVM）并没有提供这个功能。从我快速浏览的原始算法来看，似乎要在核SVM中实现这个功能，需要把它整合进SVM的学习算法里。
逐步特征选择（无论是向前选择还是向后选择）其实很容易实现，但在scikit-learn中并没有现成的工具可以直接使用。