Python內核嶺回歸：如何知道特征對於特征選擇的重要性？

Question

我正在使用幾個回歸器來訓練和測試我在python中的數據。

盡管sklearn庫中的大多數回歸器都具有用於選擇特征的feature_importances_函數，但內核嶺回歸器中沒有feature_importances_函數。

人們在使用內核嶺回歸器時如何看待每個功能的重要性？ 我已經閱讀了文檔，但是沒有相關信息。

以防萬一我的代碼：

from sklearn.kernel_ridge import KernelRidge

kr1 = KernelRidge(kernel='rbf', alpha=1.0, gamma=0.01)
kr1.fit(X_train, y_train)
y_kr1 = kr1.predict(X_test)
print("Mean squared error: %.2f" % np.mean((y_kr1 - y_test) ** 2))

# Explained variance score: 1 is perfect prediction
print('Variance score: %.5f' % kr1.score(X_test, y_test))

當我嘗試

kr1.feature_importances_

錯誤：

'KernelRidge' object has no attribute 'feature_importances_'

您的幫助將不勝感激。

Answer 1

特征重要性是來自諸如sklearn.ensemble.RandomForestClassifier之類的整體學習方法的概念； 它不是嶺回歸模型的屬性。 最接近的對應項是t統計量，不幸的是，您需要手動進行計算。