我正在使用递归特征估计 (RFE) 进行特征选择。它的工作原理是迭代地采用 SVM 分类器等估计器，将其拟合到数据中，然后删除权重(系数)最低的特征。
我能够将其与数据相匹配并执行特征选择。但是，然后我想从 RFE 中恢复每个特征的学习权重。
我使用以下代码初始化分类器对象和 RFE 对象，并将它们与数据相匹配。
svc = SVC(C=1, kernel="linear")
rfe = RFE(estimator=svc, n_features_to_select=300, step=0.1)
rfe.fit(all_training, training_labels)
然后我尝试打印系数
print ('coefficients',svc.coef_)
并接收:
AttributeError: 'RFE' object has no attribute 'dual_coef_'
根据 sklearn documentation ，分类器对象应具有此属性:
coef_ : array, shape = [n_class-1, n_features]
Weights assigned to the features (coefficients in the primal problem). This is only
available in the case of a linear kernel.
coef_ is a readonly property derived from dual_coef_ and support_vectors_.
我使用的是线性内核，所以这不是问题。
谁能解释为什么我无法恢复系数？有办法解决这个问题吗？
最佳答案
发布 2 分钟后，我再次查看了 RFE 的文档并实现了部分解决方案。
RFE 对象将估算器对象作为属性。因此我可以调用
print ('coefficients',rfe.estimator_.coef_)
并获取最重要的特征的系数。 (即这会返回前 300 个特征的系数，因为我之前设置了 n_features_to_select=300)。
但是，我仍然无法获得其余未选择特征的系数。对于 RFE 的每次迭代，它都会训练分类器并为每个特征获取新的系数。理想情况下，我想访问在每次迭代中学习的系数。
(因此，如果我从 3000 个特征开始，并使用步长 300 个特征，第一次迭代我想要访问 3000 个系数，下一次迭代我想要 2700 个系数用于剩余的 2700 个特征，第三次迭代我想要访问2400个系数等)
关于python - 如何使用sklearn从RFE中获取系数？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/34204898/