机器学习,一些比赛竞赛中,通常会给一定的特征数据进行分类或者回归预测。有时需要构建更多的特征,然后对特征再进行特征选择。通过增加一些输入数据的非线性特征来增加模型的复杂度通常是有效的。一个简单通用的办法是使用多项式特征,这可以获得特征的更高维度和互相间关系的项。这在 PolynomialFeatures
中实现:
X 的特征已经从 转换为 。
在一些情况下,只需要特征间的交互项,这可以通过设置 interaction_only=True
来得到:
X的特征已经从 转换为 。
机器学习,一些比赛竞赛中,通常会给一定的特征数据进行分类或者回归预测。有时需要构建更多的特征,然后对特征再进行特征选择。通过增加一些输入数据的非线性特征来增加模型的复杂度通常是有效的。一个简单通用的办法是使用多项式特征,这可以获得特征的更高维度和互相间关系的项。这在 PolynomialFeatures
中实现:
X 的特征已经从 转换为 。
在一些情况下,只需要特征间的交互项,这可以通过设置 interaction_only=True
来得到:
X的特征已经从 转换为 。