R在RFE（递归特征消除）中使用我自己的模型来选择重要特征

Question

使用RFE，您可以获得功能的重要性排名，但是现在我只能使用包内的模型和参数，如：lmFuncs(linear model),rfFuncs(random forest) 似乎

caretFuncs

可以为您自己的模型和参数做一些自定义设置，但我不知道详细信息，正式文档没有详细说明，我想将svm和gbm应用于此RFE流程，因为这是我以前训练的模型，任何人都有任何想法吗？

Answer 1

我试图根据文档重新创建工作示例。您正确识别了caretFuncs的使用，然后可以在rfe调用中设置模型参数（也可以定义trainControl对象等）。

# load caret
library(caret)

# load data, get target and feature column labels
data(iris)
col_names = names(iris);target = "Species"
feature_names = col_names[col_names!=target]

# construct rfeControl object
rfe_control = rfeControl(functions = caretFuncs, #caretFuncs here
                     method="cv",
                     number=5)

# construct trainControl object for your train method 
fit_control = trainControl(classProbs=T,
                        search="random")

# get results
rfe_fit = rfe(iris[,feature_names], iris[,target],
             sizes = 1:4,
             rfeControl = rfe_control,
             method="svmLinear",
             # additional arguments to train method here
             trControl=fit_control)

如果您想更深入地研究此事，则可能需要访问下面的链接。

rfe文档，其中包含基本代码段：
https://www.rdocumentation.org/packages/caret/versions/6.0-80/topics/rfe

关于caret的

rfe文档：
https://topepo.github.io/caret/recursive-feature-elimination.html

希望这会有所帮助！