我在使用mlxtend包的SVM进行特征选择。X是一个包含特征的数据框，y是目标变量。这是我的代码的一部分。

from sklearn.svm import SVCfrom mlxtend.feature_selection import SequentialFeatureSelector as SFSdef SFFS(X, y, C_GS, gamma_GS, kernel_GS):    sfs = SFS(SVC(kernel = kernel_GS, C = C_GS, gamma = gamma_GS),         k_features = (1, num_of_features),          forward= True,          floating = False,          verbose= 2,          scoring= 'roc_auc',          #scoring= 'accuracy',          cv = 10,          n_jobs= -1         ).fit(X, y)    return sfsdef SFFS_lin(X, y, C_GS, kernel_GS):    sfs = SFS(SVC(kernel = kernel_GS, C = C_GS),         k_features = (1, num_of_features),          forward= True,          floating = False,          verbose= 2,          scoring= 'roc_auc',          cv = 10,          n_jobs= -1         ).fit(X, y)    return sfsdef featureNames(sfs):    Feature_Names = sfs.k_feature_names_    return Feature_Namessfs_lin = SFFS_lin(X, y, 1,'linear')#sfs_rbf = SFFS(X, y, 1, 'auto', 'rbf')names = featureNames(sfs_lin)print(names)

代码开始运行，但不久后就在这里卡住了：

[Parallel(n_jobs=-1)]: Using backend LokyBackend with 8 concurrentworkers. [Parallel(n_jobs=-1)]: Done 28 out of 28 | elapsed: 2.5sremaining: 0.0s [Parallel(n_jobs=-1)]: Done 28 out of 28 |elapsed: 2.5s finished

[2021-01-24 00:01:57] Features: 1/28 — score:0.6146428161908037[Parallel(n_jobs=-1)]: Using backend LokyBackend with 8 concurrent workers.

当使用rbf核时，代码运行得很顺畅。如果我将函数改为通过设置forward参数为False来执行向后消除，

forward=False,

它也运行得很顺畅。卡住的问题似乎出现在使用线性核进行前向选择时。这是愚蠢的错误还是我错过了什么琐碎的东西？

系统信息：

Python 3.8.5scikit-learn 0.24.1mlxtend 0.18.0

回答：

看来这只是一个愚蠢的错误。

将交叉验证参数

cv = 10

改为9后，它就运行了..