【机器学习】Feature selection – Part I: univariate selection

Feature selection – Part I: univariate selection

特征选择——1：单变量选择

原文链接：http://blog.datadive.net/selecting-good-features-part-i-univariate-selection/

---

对于数据科学家或机器学习实践者来说，对特征选择/排序有良好的理解可能是一大财富。对这些方法的良好掌握导致更好地执行模型，更好地理解数据的底层结构和特征，并导致对许多机器学习模型底层算法的更直观。

一般来说，使用特征选择的原因有两个：

1.减少特征数量，减少过拟合，提高模型的泛化能力。

2.为了更好地理解特性及其与响应变量的关系。

这两个目标常常相互矛盾，因此需要不同的方法：根据手头的数据，对目标(1)有利的特征选择方法不一定对目标(2)有利，反之亦然。然而，似乎经常发生的是人们不加区别地使用他们最喜欢的方法（或者从他们选择的工具最方便访问的任何方法），特别是更适合于（1）实现（2）的方法。

同时，特征选择在机器学习或数据