因此，我正在使用带有mlxtend packege的SVM执行功能选择。X是具有特征的数据框，y是目标变量。这是我的代码的一部分。
from sklearn.svm import SVC
from mlxtend.feature_selection import SequentialFeatureSelector as SFS
def SFFS(X, y, C_GS, gamma_GS, kernel_GS):
sfs = SFS(SVC(kernel = kernel_GS, C = C_GS, gamma = gamma_GS),
k_features = (1, num_of_features),
forward= True,
floating = False,
verbose= 2,
scoring= 'roc_auc',
#scoring= 'accuracy',
cv = 10,
n_jobs= -1
).fit(X, y)
return sfs
def SFFS_lin(X, y, C_GS, kernel_GS):
sfs = SFS(SVC(kernel = kernel_GS, C = C_GS),
k_features = (1, num_of_features),
forward= True,
floating = False,
verbose= 2,
scoring= 'roc_auc',
cv = 10,
n_jobs= -1
).fit(X, y)
return sfs
def featureNames(sfs):
Feature_Names = sfs.k_feature_names_
return Feature_Names
sfs_lin = SFFS_lin(X, y, 1,'linear')
#sfs_rbf = SFFS(X, y, 1, 'auto', 'rbf')
names = featureNames(sfs_lin)
print(names)
该代码开始运行，但很快就冻结在这里：
[Parallel（n_jobs = -1）]：将后端LokyBackend与8个并发工作器一起使用。[Parallel（n_jobs = -1）]：在28中完成了28 | 耗用时间：剩余2.5秒：0.0秒[Parallel（n_jobs = -1）]：在28中完成了28 | 耗时：2.5秒完成
[2021-01-24 00:01:57]功能：1/28-得分：0.6146428161908037 [Parallel（n_jobs = -1）]：将后端LokyBackend与8个并发工作器一起使用。
使用rbf内核时，代码可以正常运行。如果我通过将forward参数设置为False来更改函数以执行向后消除，则它运行得很漂亮
forward = False，
它运行精美。在使用线性核进行正向选择时，似乎出现了冻结问题。这是一个愚蠢的错误，还是我缺少一些琐碎的东西？
系统信息：
Python 3.8.5
scikit-learn 0.24.1
mlxtend 0.18.0
看来这只是一个愚蠢的错误。
交叉验证
cv = 10
参数设置为9并运行..
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