如何将Keras模型集成至序列后向特征选择代码并解决报错

该集成方案完全可行，你遇到的报错不涉及Scikeras封装、手写序列后向选择（SBS）、Keras分类器本身的逻辑冲突，仅需做少量适配即可正常运行，最终输出目标Top5特征。

触发ValueError: Input 0 of layer "sequential_410" is incompatible with the layer: expected shape=(None, 45), found shape=(None, 44)的直接原因：

• 你初始化Keras二分类网络时，将input_shape硬编码为初始全量特征的维度45
• SBS的核心逻辑是逐轮迭代删除1个对性能贡献最低的特征，每一轮迭代使用的输入特征维度会逐次减1：第一轮训练用全量45维特征，第二轮就变为44维，第三轮43维，直到维度降到你指定的保留特征数5为止
• 此前手动修改input_shape参数无效，是因为你仅修改了模型初始化阶段的固定维度值，没有让模型适配SBS逐轮变化的输入维度，特征删到44维时，写死45维输入的模型自然会报维度不匹配错误。

所有修改不改变你原有三部分代码的技术栈、调用逻辑，仅需补充两个适配点即可：

1. 改造Scikeras封装的Keras模型构建逻辑 #

不要在模型构建函数中硬编码输入维度，将输入维度设置为动态传入参数，让Scikeras在每轮调用fit时，自动根据当前传入的特征子集维度生成匹配输入层的模型：

from scikeras.wrappers import KerasClassifier
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout

# 动态维度模型构建函数，不要写死input_shape数值
def build_dnn(n_features):
    model = Sequential()
    # 输入维度随传入的特征数自动适配
    model.add(Dense(32, activation='relu', input_shape=(n_features,)))
    model.add(Dropout(0.2))
    model.add(Dense(16, activation='relu'))
    model.add(Dense(1, activation='sigmoid'))
    model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
    return model

# 初始化符合sklearn接口的分类器，开启输入维度自动推断
clf = KerasClassifier(
    model=build_dnn,
    epochs=30,
    batch_size=16,
    verbose=0,
    random_state=42,  # 固定随机种子保证结果可复现
    model__n_features=-1  # 占位参数，触发Scikeras自动从输入数据推断特征维度
)

2. 校验手写SBS类的特征索引逻辑 #

确认你从零实现的SequentialBackwardSearch类满足两个逻辑要求即可，不需要重构原有类结构：

• 每轮迭代删除特征后，同步更新当前轮次保留的特征索引列表，不要残留上一轮的高维索引
• 每轮执行模型fit、score操作前，必须用当前轮次的特征索引从原始数据集切出对应列的特征子集，再传入模型，不要直接传入全量特征

3. 运行获取结果 #

完成上述修改后，直接按你原有的测试逻辑，将封装好的clf传入SequentialBackwardSearch类，指定保留特征数为5启动训练即可。训练完成后，通过SBS类实例的最优特征属性（通常为best_features_或你自定义的对应属性）拿到Top5特征的列索引，映射回原始特征名即为最终筛选结果。

补充：如果后续切换为scikit-learn内置的序列特征选择模块报同类维度错误，上述动态模型构建的修改方式完全通用。

内容的提问来源于stack exchange，提问作者tay123