特征选择中RBFOpt算法类型设置报错，求正确配置方法

问题原因 #

RBFOpt的API在版本迭代后，algorithm_class参数不再通过RbfoptAlgorithm枚举类指定，而是直接接受字符串格式的算法名称作为有效值。你尝试的MSRSM、DIRECT、GA都是合法的算法标识，但不能通过枚举类调用。

另外补充一个适配场景的优化点：你的需求是特征选择（每个特征是选/不选的二元决策），所以变量类型应该设置为'B'（binary）而非'C'（continuous），这样更贴合问题的离散特性，能提升优化精度。

修正后的完整代码 #

import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from rbfopt import RbfoptUserBlackBox, RbfoptSettings, RbfoptAlgorithm

# 假设df已提前加载，包含10个特征和目标列Outcome_Sold
target_col = 'Outcome_Sold' 

# 定义RBFOpt的目标函数
def objective_function(features):
    # 将模型输出的连续值转为二元选择逻辑（大于0.5视为选中特征）
    selected_features = [df.columns[i] for i in range(10) if features[i] > 0.5]
    if not selected_features:
        return 1.0  # 避免空特征集导致模型训练报错，返回最差得分
    X = df[selected_features].values
    y = df[target_col].values
    model = RandomForestRegressor()
    model.fit(X, y)
    return -model.score(X, y)  # 最小化负R²分数，等价于最大化R²

# 特征选择的上下界（0=不选，1=选）
lower_bound = [0] * 10  
upper_bound = [1] * 10  

# 变量类型改为二元类型，匹配特征选择场景
var_type = ['B'] * 10  

# 创建黑盒函数实例
black_box = RbfoptUserBlackBox(10, lower_bound, upper_bound, var_type, 
                               obj_funct=objective_function)

# 设置RBFOpt参数：直接用字符串指定算法类别
settings = RbfoptSettings()
settings.algorithm_class = 'MSRSM'  # 替换为'DIRECT'或'GA'均可
settings.num_global_search = 50
settings.num_rbf = 500

# 执行优化流程
algorithm = RbfoptAlgorithm(settings, black_box)
best_val, best_x, _ = algorithm.optimize()
print(f"最优负R²得分: {best_val}")
print(f"选中的特征索引（大于0.5视为选中）: {[i for i, val in enumerate(best_x) if val > 0.5]}")

关键修改说明 #

1. 移除了RbfoptAlgorithm枚举类的调用，直接用字符串赋值给settings.algorithm_class
2. 将var_type从连续类型改为二元类型，适配特征选择的离散决策需求
3. 增加空特征集的处理逻辑，避免模型训练报错
4. 补充完整的优化执行代码，可直接运行验证结果

内容的提问来源于stack exchange，提问作者JohnH