sklearn 特征选择与特征抽取 —— feature_selection、feature_extraction

1. feature_selection

首先,我们以利用 scikit-learn 对数据进行逻辑分析为例,进行说明 scikit-learn 的使用流程。

首先进行特征筛选(feature selection),特征筛选的方法有很多,主要包含在 scikit-learn 的 feature_selection 库中,

GenericUnivariateSelect SelectFpr               VarianceThreshold       f_oneway                tests
RFE                     SelectFwe               base                    f_regression            univariate_selection
RFECV                   SelectKBest             chi2                    from_model              variance_threshold
SelectFdr               SelectPercentile        f_classif               rfe
  • 比较简单的有通过 F 检验(f_regression)来给出各个特征的 F 值和 p 值,从而可以筛选变量(选择 F 值大的或者 p 值较小的特征)。

  • 其次有递归消除(Recursive Feature Elimination,RFE)和稳定性选择(Stability Selection)等比较新的方法。

  • 其中稳定性选择中又包括随机逻辑回归。

    from sklearn.linear_model import RandomizedLogisticRegression as RLR
    

2. feature_extraction

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

五道口纳什

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值