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 .