scikitlearn有一種遞歸的特征消除和交叉驗證的選擇方法，稱為RFECV。以下代碼僅供參考，與給定的示例on this link相似。在import matplotlib.pyplot as plt

from sklearn.svm import SVC

from sklearn.cross_validation import StratifiedKFold

from sklearn.feature_selection import RFECV

svc = SVC(kernel="linear")

rfecv = RFECV(estimator=svc, step=1, cv=StratifiedKFold(labels, 50),

scoring='precision')

rfecv.fit(features, labels)

print("Optimal number of features : %d" % rfecv.n_features_)

print rfecv.support_

features=features[:,rfecv.support_]

# Plot number of features VS. cross-validation scores

plt.figure()

plt.xlabel("Number of features selected")

plt.ylabel("Cross validation score (nb of correct classifications)")

plt.plot(range(1, len(rfecv.grid_scores_) + 1), rfecv.grid_scores_)

plt.show()

樣本輸出：

參考鏈接：

編輯：使用變異數分析(ANOVA)進行特征選擇

為了使用方差分析和交叉驗證，您需要使用Pipeline、Select Percentile和{a9}。基于給定的示例here，您可以結合這些技術來使用CV+Annova測試進行特征選擇。在

總結

以上是生活随笔為你收集整理的python方差特征选择_使用scikitlearn进行方差分析的特征选择和交叉验证的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。