我想用scikit-learn对我的回归问题应用像递归特征消除这样的包装器方法。 Recursive feature elimination with cross-validation提供了一个很好的概述，如何自动调整功能的数量。
我试过了：
~但是我收到了一条错误消息，例如
"./node_modules/bootstrap-sass/assets/stylesheets/bootstrap/variables"
警告听起来像我有分类问题，但我的任务是回归问题。我该怎么做才能得到结果以及出了什么问题？
答案 0 :(得分：1)
以下是发生的事情：
默认情况下，当用户未指明折叠次数时，RFE的交叉验证会使用3-fold交叉验证。到目前为止一切都很好。
然而，如果您查看documentation，它还会使用StartifiedKFold，以确保通过保留每个类的样本百分比来创建折叠。因此，由于（根据错误）输出y的某些元素是唯一，因此它们不能同时在3个不同的折叠中。它会抛出错误！
错误来自here。
然后你需要使用不分层的K-fold：KFold。
RFECV的文档说：
"If the estimator is a classifier or if y is neither binary nor multiclass, sklearn.model_selection.KFold is used."