我们如何使用机器学习计算数据集中特征的重要性?哪种算法会更好,为什么?
有几种方法可以使模型适合数据,并根据拟合将特征从最相关的特征分类到不太相关的特征 . 如果您想了解更多只是谷歌功能选择 .
我没有't know which language you'重新使用,但这里是一个关于它的python页面的链接:http://scikit-learn.org/stable/modules/feature_selection.html
你可以使用这个功能:
http://scikit-learn.org/stable/modules/generated/sklearn.feature_selection.RFE.html#sklearn.feature_selection.RFE
这将根据分类器的拟合从数据集中消除不太有意义的特征,您可以选择逻辑回归或SVM,并选择剩余的要素数量 .
我认为最佳方法的选择取决于数据,因此需要更多信息 .
1 回答
有几种方法可以使模型适合数据,并根据拟合将特征从最相关的特征分类到不太相关的特征 . 如果您想了解更多只是谷歌功能选择 .
我没有't know which language you'重新使用,但这里是一个关于它的python页面的链接:http://scikit-learn.org/stable/modules/feature_selection.html
你可以使用这个功能:
http://scikit-learn.org/stable/modules/generated/sklearn.feature_selection.RFE.html#sklearn.feature_selection.RFE
这将根据分类器的拟合从数据集中消除不太有意义的特征,您可以选择逻辑回归或SVM,并选择剩余的要素数量 .
我认为最佳方法的选择取决于数据,因此需要更多信息 .