特征选择-My way of ML

数据降维也是特征工程里的一环,这里的降维不是说降低数组的维度,而是说减少特征的数量

主要分为两大类:特征选择,主成分分析(PCA)

特征选择

目的:减少无关特征对机器学习的影响

主要方法:Filter过滤式,对数据过滤分析,如方差小,则说明这个数据没有区分度,在线性代数里面来说其实就是线性相关,可以过滤

API:sklearn.feature_selection.VarianceThreshold()

在这里插入图片描述其实从线性代数的知识就可以看出来,第一个特征都是0,所以一定会被删除,第二个和第四个特征很相似,差点线性相关,应该会被删除一个特征,我预测保留下来的结果应该是第二个和第三个特征
在这里插入图片描述
结果果然如此

主成分分析(PCA)

目的:数据压缩,尽可能降低原始数据维度,损失少了信息,可以缩减回归分析和聚类分析中的特征数量

应用场景:特征数量达到上百个的时候,考虑PCA减少数量,数据改变特征数量也会改变

API:sklearn.decomposition.PCA(n_componentts=(小数或者整数)),小数的时候指定保留数量比,整数的时候指定保留数量

在这里插入图片描述
在这里插入图片描述

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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
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