本文介绍了特征选择的重要性和常用方法，包括去掉取值变化小的特征、单变量特征选择，如Pearson相关系数、距离相关系数和基于学习模型的特征排序。详细探讨了各种方法的优缺点，如Pearson相关系数对线性关系敏感，距离相关系数能检测非线性关系，而基于学习模型的特征排序则能适应不同类型的特征关系。文中以波士顿房价数据集为例展示了随机森林回归在特征选择中的应用。
前言：实际应用中特征作用远大于模型。
声明：本文为读书笔记，原文地址：http://www.tuicool.com/articles/ieUvaq
特征选择主要有两个功能：
1.减少特征数量、降维，使模型泛化能力更强，减少过拟合
2.增强对特征和特征值之间的理解
特征选择方法总览
1 去掉取值变化小的特征 Removing features with low variance
在所有输入样本中，绝大部分的实例的该特征取值都是相同，那就可以认为这个特征作用不大。当特征值都是离散型变量的时候这种方法才能用，如果是连续型变
最低0.47元/天 解锁文章
扫一扫
21万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
