Ensemblemodeller för extra röster
LassoCV()-modellen valde ut 22 av 32 särdrag. Inte illa, men inte heller någon spektakulär dimensionsreduktion. Låt oss använda två fler modeller för att välja ut de 10 särdrag som de anser vara viktigast, med hjälp av Recursive Feature Eliminator (RFE).
De standardiserade tränings- och testdata har redan laddats in åt dig som X_train, X_test, y_train och y_test.
Den här övningen är en del av kursen
Dimensionsreduktion i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
from sklearn.feature_selection import RFE
from sklearn.ensemble import GradientBoostingRegressor
# Select 10 features with RFE on a GradientBoostingRegressor, drop 3 features on each step
rfe_gb = RFE(estimator=____,
n_features_to_select=____, step=____, verbose=1)
rfe_gb.fit(X_train, y_train)