我使用了递归特征消除和交叉验证（rfecv）来寻找我所拥有的多个特征（m=154）中最佳的准确率得分。

rfecv = RFECV(estimator=logreg, step=1, cv=StratifiedKFold(2),              scoring='accuracy')rfecv.fit(X, y)

排名（rfecv.ranking_）和相关的得分（rfecv.grid_scores_）让我感到困惑。如你所见，前13个特征（排名前10）的排名并不是基于得分。我理解排名与特征在交叉验证过程中如何及何时被排除有关。但是，得分与排名又是如何相关的呢？我原本期望排名最高的特征应该有最高的得分。

Features/Ranking/Scoresb       1       0.692642743a       1       0.606166207f       1       0.568833672i       1       0.54935204l       2       0.607564808j       3       0.613495238e       4       0.626374391l       5       0.581064621d       6       0.611407556c       7       0.570921354h       8       0.570921354k       9       0.576863707g       10      0.576863707

回答：

_grid_scores并不是第i个特征的得分，而是使用第i个特征子集训练出的估计器所产生的得分。

为了理解这意味着什么，请记住，递归特征消除（RFE）通过训练模型、评估它，然后移除step个最不重要的特征，并重复这一过程来工作。

因此，_grid_score[-1]将是使用所有特征训练出的估计器的得分。_grid_score[-2]将是移除step个特征后的估计器得分。_grid_score[-3]将是移除2*step个特征后的估计器得分。

因此，网格得分并不反映单个特征的得分。实际上，如果step大于1，网格得分的数量将少于特征的数量。