Python中RFECV.fit()不接受X、y参数报TypeError如何解决？

1 直接报错的核心原因 #

初始化RFECV时，cv参数传入的是StratifiedKFold类本身，而非该类的实例化对象，sklearn无法识别未实例化的类作为交叉验证拆分器，因此触发了你遇到的类型错误。

2 其余逻辑错误说明 #

你当前的任务属于回归预测（因变量Tenure是连续数值，前期也用了ols线性回归模型），但后续选择的工具全部适配分类任务，存在逻辑错配：

• SVC是支持向量分类器，无法用于回归任务
• StratifiedKFold是分类任务专用的分层交叉验证工具，要求标签为离散分类值，不支持连续的回归标签
• scoring="accuracy"是分类任务的准确率指标，完全不适用于回归场景

3 修正后的代码 #

替换为回归任务适配的工具即可正常运行：

# 引入回归模型、回归适用的KFold、回归评估指标
from sklearn.svm import SVR
from sklearn.model_selection import KFold
from sklearn.feature_selection import RFECV

# 实例化KFold交叉验证拆分器，替换SVC为支持向量回归SVR，替换评估指标为回归适用的r2
svr = SVR(kernel="linear")
rfecv = RFECV(estimator = svr, step = 1, cv = KFold(n_splits=5, shuffle=True, random_state=0), scoring = "r2")
# 用squeeze()把单列二维DataFrame转为一维Series，适配sklearn的fit要求
rfecv.fit(X_train_df, y_train_df.squeeze())

4 额外优化建议 #

• 你之前构建了包含StandardScaler的管道，但RFECV训练时没有用到标准化逻辑，建议把标准化和回归模型整合到同一个Pipeline里再传入RFECV的estimator，避免数据泄露
• 如果要和前期的线性回归模型逻辑对齐，也可以直接用sklearn.linear_model.LinearRegression作为RFECV的estimator，特征选择结果和ols模型的适配性更高。

内容的提问来源于stack exchange，提问作者Yehudis Bensinger