我正在尝试理解如何读取grid_scores_和ranking_的值在RFECV中。以下是文档中的主要示例：
from sklearn.datasets import make_friedman1from sklearn.feature_selection import RFECVfrom sklearn.svm import SVRX, 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])我应该如何读取ranking_和grid_scores_？排名值越低越好吗？（还是相反？）我问这个的原因是我注意到排名值最高的特征通常在grid_scores_中得分最高。
然而，如果某物的ranking = 1，不应该意味着它被评为该组中最好的吗？这也是文档中所说的：
“选定的（即估计最佳的）特征被分配为排名1“
但现在让我们看一下使用一些真实数据的以下示例：
> rfecv.grid_scores_[np.nonzero(rfecv.ranking_ == 1)[0]]0.0而排名值最高的特征具有最高的*得分*。
> rfecv.grid_scores_[np.argmax(rfecv.ranking_ )]0.997请注意，在上面的示例中，排名=1的特征得分最低
文档中的图表：
关于这个问题，在文档中的这个图表中，y轴标注为"number of misclassifications"，但它绘制的是grid_scores_，它使用'accuracy'（？）作为评分函数。y轴标签不应该标注为accuracy吗？（越高越好）而不是"number of misclassifications"（越低越好）
回答：
您正确地指出，低排名值表示一个好的特征，并且grid_scores_属性中的高交叉验证得分也是好的，但是您误解了grid_scores_中的值的含义。根据RFECV文档
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_的值不对应于特定特征，它们是特征子集的交叉验证错误指标。在示例中，具有5个特征的子集被证明是最有信息量的集合，因为grid_scores_中的第5个值（包含排名最高的5个特征的SVR模型的CV值）是最大的。
您还应该注意，由于未明确指定评分指标，使用的是SVR的默认评分器，即R^2，而不是准确率（这仅对分类器有意义）。
