为什么 Scikit-learn RFECV 为训练数据集返回非常不同的特征？

如何解决为什么 Scikit-learn RFECV 为训练数据集返回非常不同的特征？

我一直在波士顿数据集上试验 RFECV。

到目前为止，我的理解是，为了防止数据泄露，执行此类活动非常重要，仅针对训练数据而非整个数据集。

我只对训练数据执行了 RFECV，结果表明 14 个特征中有 13 个是最优的。然而，我随后在整个数据集上运行了相同的过程，这一次，它表明只有 6 个特征是最佳的 - 这似乎更有可能。

举例说明：

import numpy as np
import pandas as pd

from sklearn.model_selection import train_test_split
from sklearn.feature_selection import RFECV
from sklearn.linear_model import LinearRegression
from sklearn.datasets import load_boston

### CONSTANTS
TARGET_COLUMN = 'Price'
TEST_SIZE = 0.1
RANDOM_STATE = 0

### LOAD THE DATA AND ASSIGN TO X and y
data_dict = load_boston()
data = data_dict.data
features = list(data_dict.feature_names)
target = data_dict.target

df = pd.DataFrame(data=data,columns=features)
df[TARGET_COLUMN] = target

X = df[features]
y = df[TARGET_COLUMN]

### PERFORM TRAIN TEST SPLIT
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=TEST_SIZE,random_state=RANDOM_STATE)

#### DETERMINE THE DATA THAT IS PASSED TO RFECV
## Just the Training data
X_input = X_train
y_input = y_train

## All the data
# X_input = X
# y_input = y

### IMPLEMENT RFECV AND GET RESULTS
rfecv = RFECV(estimator=LinearRegression(),step=1,scoring='neg_mean_squared_error')
rfecv.fit(X_input,y_input)

rfecv.transform(X_input)

print(f'Optimal number of features: {rfecv.n_features_}')
imp_feats = X.drop(X.columns[np.where(rfecv.support_ == False)[0]],axis=1)
print('Important features:',list(imp_feats.columns))

运行以上将导致：

Optimal number of features: 13
Important features: ['CRIM','ZN','INDUS','CHAS','NOX','RM','AGE','DIS','RAD','TAX','PTRATIO','B','LSTAT']

现在，如果更改代码使 RFECV 适合所有数据：

#### DETERMINE THE DATA THAT IS PASSED TO RFECV
## Just the Training data
# X_input = X_train # NOW COMMENTED OUT
# y_input = y_train # NOW COMMENTED OUT

## All the data
X_input = X  # NOW UN-COMMENTED
y_input = y  # NOW UN-COMMENTED

并运行它，我得到以下结果：

Optimal number of features: 6
Important features: ['CHAS','LSTAT']

我不明白为什么整个数据集的结果与仅训练集的结果如此明显不同（而且似乎更准确）。

我尝试通过使 test_size 非常小（通过我的 TEST_SIZE 常量）使训练集接近整个数据的大小，但我仍然得到了这种看似不太可能的差异。

我错过了什么？

解决方法

这当然看起来像是出乎意料的行为，尤其是当你说，你可以将测试规模减少到 10% 甚至 5% 并找到类似的差异时，这似乎非常违反直觉。理解这里发生的事情的关键是要意识到对于这个特定的数据集，每一列中的值不是随机分布在行中的（例如，尝试运行 X['CRIM'].plot()）。您用来分割数据的 train_test_split 函数有一个参数 shuffle，默认为 True。因此，如果您查看 X_train 数据集，您会发现索引是混乱的，而在 X 中它是连续的。这意味着当 RFECV 类在幕后执行交叉验证时，它会在 X 的每个拆分中获得有偏差的数据子集，但在 X_train 中获得更具代表性/随机的数据子集shuffle=False 的每次拆分。如果您将 train_test_split 传递给 X，您会看到两个结果更接近（或者可能更好，尝试改组 import re s = '|0-1|0.0|0.0+-0.0|0.8+-0.8|0.0+-0.0|-2.4+-2.4|5.9|' re.split("\||\+\-",s) 的索引）。