降维:特征选择与抽取

为什么降维?

维度小易于训练,过拟合风险低,便于可视化,垃圾特征会误导模型。

降维分为特征选择和特征抽取

特征选择

过滤器:

        皮尔逊相关系数衡量线性关系,可以用scipy.stat函数

        互信息区分非线性关系

封装器:

        以异或运算为例,特征和结果可能有依赖关系,但是从模型角度来说特征不能单独生效。

        模型给每个特征投票,用来选择特征,可以用sklearn.feature_selection RFE函数

特征抽取

特征选择之后特征还是过多,可以进行特征抽取

PCA效果最好,线性方法,sklearn.decomposition.PCA

LDA:让不同类别之间的距离最大,相同类别之间的距离最小

MDS:用于高维数据可视化,保留了样本间的相对距离

  • 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