我正在尝试了解如何读取RFECV中的grid_scores_和ranking_值。以下是文档中的主要示例：
from sklearn.datasets import make_friedman1
from sklearn.feature_selection import RFECV
from sklearn.svm import SVR
X, y = make_friedman1(n_samples=50, n_features=10, random_state=0)
estimator = SVR(kernel="linear")
selector = RFECV(estimator, step=1, cv=5)
selector = selector.fit(X, y)
selector.support_
array([ True, True, True, True, True,
False, False, False, False, False], dtype=bool)
selector.ranking_
array([1, 1, 1, 1, 1, 6, 4, 3, 2, 5])
我应该如何阅读ranking_和grid_scores_？越低排名值越好吗？（还是viceversa？）。之所以问这个问题，是因为我注意到最高排名值的功能通常在grid_scores_中得分最高。
然而，如果某个东西有ranking = 1，这不应该意味着它被列为小组中最好的吗。这也是文件中所说的：
"选定的（即估计的最佳）功能被分配为等级1"
但现在让我们使用一些真实数据来看看下面的例子：
> rfecv.grid_scores_[np.nonzero(rfecv.ranking_ == 1)[0]]
0.0
而具有最高排名值的特征具有最高**得分*。
> rfecv.grid_scores_[np.argmax(rfecv.ranking_ )]
0.997
请注意，在上面的示例中，排名=1的功能的得分最低
文档中的图：
关于这个问题，在文档中的这个图中，y轴读取"number of misclassifications"，但它绘制的是使用'accuracy'（？）作为评分函数的grid_scores_。y标签不应该读accuracy吗？（越高越好）而不是"number of misclassifications"（<strong]越低越好>
您是正确的，因为排名较低的值表示一个好的功能，grid_scores_属性中的交叉验证分数较高也是好的，但您误解了grid_scores_中的值的含义。来自RFECV文件
grid_scores_
array of shape [n_subsets_of_features]
The cross-validation scores such that grid_scores_[i] corresponds to the CV score of the i-th subset of features.
因此，grid_scores_值并不对应于特定的特征，它们是特征的子集的交叉验证误差度量。在该示例中，具有5个特征的子集被证明是信息量最大的集合，因为grid_scores_中的第5个值（包含5个最高排名特征的SVR模型的CV值）是最大的。
您还应该注意，由于没有明确指定评分指标，因此使用的评分器是SVR的默认值，即R^2，而不是准确性（这仅对分类器有意义）。