数据挖掘中的Attribute

本文探讨了在数据科学中,Feature与Attribute等术语的区别,解释了它们在不同场景下的含义,如预测器、输入变量、独立变量和字段,帮助读者理解如何在具体应用中选择合适的词汇。

特征(Feature)看起来是一个意思,但是实质上意思有些差别:Attribute更侧重于特征对结果的贡献,Feature更是一种客观存在的特征。

例如:小明考了一百分,这是Feature,对于妈妈给他糖这是Attribute,但对于邻居家小孩的快乐生活可能就不是Attribute

 

类似的意思还有

预测器(Predictor):侧重于与所要预测的结果之间的关系,比如小明考一百分和小明拿小红花是存在一种相对固定的因果关系的,才能用Predictor这个词,对于小红喜欢小明这个结果,小明考一百分就不算是Predictor。

输入变量(input variable):侧重于所输入变量的模型(不一定是预测,也可能是分类等问题)

独立变量(Independent variable):侧重于特征之间的独立性,也就是够不够“特征”。

字段/域(Field):侧重于数据库的角度。

 

根据不同的角度及应用场景选择合适的名词表达。

评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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