mlxtend.feature_selection前向选择不适用于支持向量机线性核？

Question

因此，我正在使用支持向量机( SVM )和mlx趋向包执行一个特性选择。X是一个具有特征的数据，y是目标变量。这是我代码的一部分。

from sklearn.svm import SVC
from mlxtend.feature_selection import SequentialFeatureSelector as SFS

def 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 sfs

def 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 sfs

def featureNames(sfs):
    Feature_Names = sfs.k_feature_names_
    return Feature_Names


sfs_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，但很快就会冻结在这里：

并行(n_jobs=-1)：将后端LokyBackend与8个并发工作人员一起使用。并行(n_jobs=-1)：28运行中完成28 : 2.5s剩余: 0.0s并行(n_jobs=-1)：完成28次运行: 2.5s已完成

2021-01-24 00:01:57特征: 1/28 -得分:0.6146428161908037并行(n_jobs=-1)：使用后端LokyBackend与8名并发工人。

当使用rbf内核时，代码运行得很好。如果我通过将前向参数设置为False来更改该函数以执行向后消除，它将运行得很好。

forward=False

它运行得很漂亮。当使用线性核进行前向选择时，似乎出现了冻结问题。这是个愚蠢的虫子还是我错过了一些琐碎的东西？

系统信息：

Python 3.8.5
scikit-learn 0.24.1
mlxtend 0.18.0

Answer 1

看来这只是个愚蠢的虫子。

使交叉验证无效

cv = 10

参数为9，则它运行..。