我正在测试用于功能选择的嵌入式方法。
我了解（也许我误会了）使用嵌入式方法，我们可以在训练模型时获得最佳功能（基于功能的重要性）。
是的，我想获得训练后的模型的得分（该模型经过训练以选择特征）。
我正在用套索方法测试分类问题。
当我尝试获得分数时，出现错误，需要再次拟合模型。
为什么要使用嵌入式方法，为什么要分两个阶段进行呢？为什么我们不能同时选择最佳功能来训练模型？
from sklearn.linear_model import Lasso, LogisticRegression
from sklearn.feature_selection import SelectFromModel
estimator = LogisticRegression(C=1, penalty='l1', solver='liblinear')
selection = SelectFromModel(estimator)
selection.fit(x_train, y_train)
print(estimator.score(x_test, y_test))
错误：
sklearn.exceptions.NotFittedError: This LogisticRegression instance is not fitted yet. Call 'fit' with appropriate arguments before using this estimator.
拟合的估计量返回为selection.estimator_（请参阅docs）；因此，拟合后selection，您只需执行以下操作：
selection.estimator_.score(x_test, y_test)
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句