SVM-RFE与SVM-RFECV都是用于对特征进行缩减，用于找到数目最优的特征数。RFECV基于RFE基础上，添加了交叉验证，使得在每个step中，都可以对现有的特征数目进行评估，以确定比较好的数目。RFE中需要指定n_features_to_select
，
而RFECV中需要指定min_features_to_select，二者虽然都要运行到指定挑选特征数目时才停止筛选，但RFECV的每步交叉验证得到特定数目特征的acc,从而可以得到acc达到最大时的最少特征个数。同时，RFECV提供ranking_数组，可以挑选出被选中的特征。
一般来说，RFECV中使用的评估器为SVC,以linear核作为SVC的核，考虑到linear核不如rbf核效率好，尝试换rbf。但使用rbf核的SVC会报一下错误。
回到SVM-RFECV的源码中发现，它需要利用与特征重要性有关的信息:
此外，通过对estimator的注解可以看到，RFECV对estimato有如下要求：
所以，estimator中必须有
SVM-RFE与SVM-RFECV都是用于对特征进行缩减，用于找到数目最优的特征数。RFECV基于RFE基础上，添加了交叉验证，使得在每个step中，都可以对现有的特征数目进行评估，以确定比较好的数目。RFE中需要指定n_features_to_select，而RFECV中需要指定min_features_to_select，二者虽然都要运行到指定挑选特征数目时才停止筛选，但RFECV的每步交叉验...
支持向量机递归特征消除(下文简称
SVM-RFE
)是由Guyon等人在对癌症分类时提出来的，最初只能对两类数据进行特征提取。它是一种基于Embedded方法。支持向量机支持向量机广泛用于模式识别，机器学习等领域，SVM采用结构风险最小化原则，同时最小化经验误差，以此提高学习的性能。详细的SVM介绍请看我的另一篇博文《 线性支持向量机》在这简单介绍一下SVM。
设训练集{(xi,yi)}Ni=1\{(
svm()函数在建立支持向量机模型的时候有两种建立方式。简单地说，一种是根据既定公式建立模型；而另外一种方式则是根据所给的数据模型建立模型。
根据函数的第一种
使用
格式，针对上述数据建模时，应该先确定所建立的模型所
使用
的数据，然后再确定所建立模型的结果变量和特征变来那个。代码如下：
library(e1071)
data(iris)
#建立svm模型
model <- svm(Sp...
在做svm分类试验时，对于结果的处理，仅用一种指标很难得到正确评估算法的效果。所以，一般要用到precision（精确率），recall（召回率），F-measure、accuracy（准确率）四个指标。
首先认识四个与其相关参数：
from sklearn.decomposition import PCA
from sklearn.cluster import KMeans
import pandas as pd
from stockstats import StockDataFrame
# # 不限制最大显示列数
pd.set_option('display.max_columns', None)
# # 不限制最大显示行数
pd.set_option('display.max_rows', None)
工作环境(蓝色粗体字为特别注意内容)1，软件环境：Windows 7 Ultimate sp1、matlabR2012b 32bit2，参考文献：①https://blog.csdn.net/u011473714/article/details/80354966②：https://blog.csdn.net/xinkanyilou/article/details/7233820
Matlab 官...
SVM-RFE
-CBR是一种行之有效的特征选择方法。SVM是支持向量机的缩写，RFE指的是递归特征消除的过程，CBR则意味着基于规则的分类方法。这一方法主要用于在复杂的数据集中降低特征数，提高模型的预测准确率。
在
SVM-RFE
-CBR中，首先
使用
支持向量机来选择最佳的特征子集。这些特征子集的数量会针对数据集的显著特征数量进行优化，并通过递归特征消除过程来进行分析和评估。在特征选择过程中，
SVM-RFE
-CBR会对每个特征进行评估并将其添加到递归特征消除序列中。具体来说，它可以根据不同的阈值和权重来计算每个特征的重要性，进而选择最佳的特征子集。
除了SVM和RFE方法外，CBR分类器也被引入到
SVM-RFE
-CBR中，来进一步优化模型的预测结果。CBR分类器是一种基于规则的分类方法，它可以根据先前的观察结果来推断输出结果。因此，与传统的模型预测相比，CBR分类器具有更高的自适应性和灵活性。
总之，
SVM-RFE
-CBR是一种有效的特征选择方法，可以用于处理复杂的数据集，减少特征数量，提高模型预测准确率。
