Python 反向逐步选择，以AUC为标准选择预测因子的最优子集

我希望以AUC为标准，对逻辑回归执行反向特征选择过程。为了构建逻辑回归，我使用了scikit库，但不幸的是，该库似乎没有任何向后特征选择的方法。我的因变量是一个二元银行危机变量，我有13个预测因子。有人对如何处理这个问题有什么建议吗

下面的代码说明了计算AUC的方法。问题是，我不知道如何决定我可以删减哪个功能，因为它没有其他功能重要

def cv_循环（X，y，model，N）：
平均值=0。
对于范围（N）中的i：
X_列，X_cv，y_列，y_cv=列测试(
十、 y，测试尺寸=0.20，
随机_状态=i*种子）
模型拟合（X\U系列、y\U系列）
preds=模型。预测概率（X_cv）[：，1]
fpr，tpr，u=metrics.roc_曲线（y_cv，preds）
auc=metrics.auc（fpr，tpr）
打印（“AUC（折叠%d/%d）：%f”%（i+1，N，AUC））
平均auc+=auc
返回平均值（auc/N）

如果你需要更多的背景信息，让我知道

多谢各位

Joris

scikit learn在其

功能选择

模块中提供了功能，几乎可以实现您所描述的功能

给定为特征分配权重的外部估计器（例如。， 线性模型的系数），递归特征的目标 消除（RFE）是通过递归地考虑特征来选择特征 越来越小的功能集。首先，对估计量进行训练 对初始特征集和每个特征的重要性进行了分析 通过coef_u属性或通过 特征_重要性u属性。那么，最不重要的特征是 从当前功能集删除。这个过程是递归的 在修剪集上重复，直到所需数量的特征 选择最终到达

---

然而，这并不明确适用于AUC。它通过查看逻辑回归系数进行修剪。

感谢您的快速回复！我也发现了这个模块，但不幸的是，这并不能解决我的问题，因为我需要使用AUC作为最大化标准。