特征选择/筛选方法总结

置顶 已于 2024-12-28 12:48:45 修改
阅读量8.4w 收藏 683
点赞数 68
CC 4.0 BY-SA版权
分类专栏： 学习笔记 人工智能 特征工程 文章标签： 特征筛选 特征选择 降维 单变量特征选择 特征工程
于 2019-03-30 14:51:16 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/jliang3/article/details/88912464

作者：jliang

J-JunLiang-优快云博客

1.特征选择介绍

1）特征分类

  • 相关特征：对于学习任务（例如分类问题）有帮助，可以提升学习算法的效果；
  • 无关特征：对于我们的算法没有任何帮助，不会给算法的效果带来任何提升；
  • 冗余特征：不会对我们的算法带来新的信息，或者这种特征的信息可以由其他的特征推断出；

2）特征选择的目的

对于一个特定的学习算法来

了解本专栏 订阅专栏 解锁全文 超级会员免费看
机器学习笔记 - 模式识别之图像特征提取和特征选择的基本方法总结
学以致用 知行合一
01-02 4863
从模式识别角度来讲，视觉信息的特征获取是机器视觉的一个关键环节。一个机器视觉与模式识别系统的成败，首先取决于其所利用的特征能否较好地反映将要研究的分类问题。如果数据被很好地表达成了特征，通常线性模型就能达到满意的分类效果。因此，对于模式识别系统的创建，特征的选择和提取是需要优先考虑的。仅从图像角度来看，图像特征的提取和选择是图像处理过程中非常重要的环节，对后续的图像分类有重要影响，图像数据具有样本少、维数高的特点。为了从图像中提取有用的信息，有必要对图像特征进行降维处理。
ML之CSI：特征稳定性指标(Characteristic Stability Index)的简介(特征筛选/特征监控、对比CSI和PSI指标)、使用方法、案例应用之详细攻略
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
06-20 3224
ML之CSI：特征稳定性指标(Characteristic Stability Index)的简介(特征筛选/特征监控、CSI和PSI指标对比)、使用方法、案例应用之详细攻略 目录 CSI(特征稳定性指标)的简介 1、CSI特征稳定性指标的概述(特征筛选/特征监控) 2、CSI和PSI指标对比 CSI(特征稳定性指标)的使用方法 CSI(特征稳定性指标)的案例应用 CSI(特征稳定性指标)的简介 1、CSI特征稳定性指标的概述(特征筛选/特征监控) 简介 特征
【机器学习】特征工程——特征筛选
小马日记
09-01 4381
1
如何进行特征选择？
keepreder
08-04 1万+
特征选择(排序)对于数据科学家、机器学习从业者来说非常重要。好的特征选择能够提升模型的性能，更能帮助我们理解数据的特点、底层结构，这对进一步改善模型、算法都有着重要作用。 特征选择主要有两个功能： 减少特征数量、降维，使模型泛化能力更强，减少过拟合增强对特征和特征值之间的理解    拿到数据集，一个特征选择方法，往往很难同时完成这两个目的。通常情况下，我们经常不管三七二十一，选择
【数据科学家私藏笔记】：randomForest变量重要性背后的统计逻辑与应用场景
最新发布
FuncWander的博客
11-02 989
掌握R语言randomForest包特征重要性，深入解析变量重要性排序的统计原理与实现方法。适用于分类回归场景，基于基尼增益与置换误差评估关键预测因子，提升模型可解释性。数据科学家实用技巧，值得收藏。
数据挖掘-特征选择方法：方差过滤，相关性过滤
Sun123234的博客
02-02 3236
数据挖掘-特征选择方法：方差过滤，相关性过滤
特征选择 (feature_selection)
qq_37692302的博客
08-29 946
本文主要参考sklearn(0.18版为主，部分0.17)的1.13节的官方文档，以及一些工程实践整理而成。 　　当数据预处理完成后，我们需要选择有意义的特征输入机器学习的算法和模型进行训练。通常来说，从两个方面考虑来选择特征： 特征是否发散：如果一个特征不发散，例如方差接近于0，也就是说样本在这个特征上基本上没有差异，这个特征对于样本的区分并没有什么用。 特征与目标的相关性：这点比较显见，与目标相关性高的特征，应当优选选择。除移除低方差法外，本文介绍的其他方法均从相关性考虑。 根据特征选择的形式又可
特征选择方法最全总结！
热门推荐
Datawhale
09-30 6万+
上个月扫读完《阿里云天池大赛赛题解析》[1]后，看到书中对特征选择的讲述，于是便打算借此机会，系统梳理下各种特征选择方法。如有不足，还望指正。一、背景介绍在处理结构型数据时，特征工程中的特...
特征工程-特征筛选
qq_41914036的博客
01-23 3555
在机器学习和数据科学领域，特征筛选是优化模型性能和提高计算效率的关键步骤。当数据集包含大量特征时，不仅增加了计算成本，还可能引入噪声和冗余信息，影响模型的泛化能力。因此，通过特征筛选，让我们能够从原始特征集中挑选出最具信息量的特征，提高模型的预测准确性和可解释性。本文介绍了特征筛选三种方法：过滤法（Filter）、包装法（Wrapper）、嵌入法（Embedded）。
精选资源
特征选择,特征选择的三种方法,matlab
09-10
特征选择是机器学习和数据分析...总结起来，特征选择对于优化机器学习模型至关重要。在MATLAB中，我们有多种工具和方法可供选择，如`featSelOptions.m`等，可以帮助我们在实际项目中高效地进行特征选择，提升模型性能。
风控建模系列之数据特征筛选方法总结（上）
weixin_45545159的博客
06-05 2595
风控建模系列之数据特征筛选方法总结（上）
特征筛选方法总结
mataolc的博客
11-26 957
在训练过程中，一些不重要的特征的权重会逐渐减小到零，从而实现特征的自动选择。基于模型的特征重要性排序是一种利用模型自带的特征重要性评分机制来进行特征筛选的方法。例如，在决策树和随机森林等树形模型中，每个特征对模型预测的贡献可以被计算出来，从而得到特征的重要性排序。特征筛选是机器学习和数据分析中不可或缺的一环，其目的是从原始数据集中选择出最相关、最有代表性的特征，以提高模型的性能和效率。在特征筛选中，我们可以计算每个特征与目标变量之间的皮尔逊相关系数，来选择与目标变量最相关的特征。
特征选择（筛选特征）
weixin_63016274的博客
10-21 1万+
选择特征的好坏
如何做特征筛选
Toby的博客
12-05 3093
工作中做模型，首先很重要的一步就是特征工程，包括特征编码、特征归一、特征筛选等。 这里聊一下工作中常用的做特征筛选的方法。 特征覆盖率 特征封箱，即优势比 IV值 GAIN信息增益 CHI卡方 基于模型的筛选 1、特征覆盖率 对于样本，有多少用户有此特征，缺失情况如何。一般要求特征覆盖率大于一定阈值。 2、特征封箱测试 即特征在正样本、负样本中的占比对比测试。选择特征：pct_1/pct_0<=0.8 || pct_1/pct_0=>1.2 3、根据IV值、GAIN..
特征选择
kanyun157的专栏
12-31 335
特征选择是指从一组给定的特征集中，按照某一准则选择出一组具有良好区分特性的特征子集。特征选择又称独立评估法，在进行特征选择时一般都是利用某种评价函数独立地对每个原始特征项进行评分，然后将它们按分值的高低排序，从中选取若干个分值最高的特征项。 特征选择实际包含两个方面：特征提取和特征选择。特征提取是一种将数据从高维空间到低维空间的变换，达到降维的目的；特征选择是指从一组特征中去除冗余或不相关的特...
【python】数据挖掘分析清洗——特征选择（特征筛选）方法汇总
2301_82000445的博客
01-20 3366
特征构造得到足够的广度后，将这些特征进行筛选特征选择主要有两个功能：减少特征数量、降维，使模型泛化能力更强，减少过拟合增强对特征和特征值之间的理解通常来说，从两个方面考虑来选择特征：特征是否发散：如果一个特征不发散，例如方差接近于0，也就是说样本在这个特征上基本上没有差异，这个特征对于样本的区分并没有什么用。特征与目标的相关性：这点比较显见，与目标相关性高的特征，应当优选选择特征选择指的是从原始数据中选择最具有代表性和重要性的特征，保留这些特征并去除无用或冗余的特征。
特征选择常用算法综述
weixin_34007906的博客
05-03 4300
1 综述   (1) 什么是特征选择 特征选择 ( Feature Selection )也称特征子集选择( Feature Subset Selection , FSS ) ，或属性选择( Attribute Selection ) ，是指从全部特征中选取一个特征子集，使构造出来的模型更好。   (2) 为什么要做特征选择        在机器学习的实际应用中，特征数量往往较多，其中...
特征选择与提取-过滤法
lihe的博客
12-29 3358
特征抽取是数据挖掘任务最为重要的一个环节，一般而言，它对最终结果的影响要高过数据挖掘算法本身。 不幸的是，关于怎样选取好的特征，还没有严格、快捷的规则可循，其实这也是数据挖掘科学更像是一门艺术的所在。创建好的规则离不开直觉，还需要专业领域知识和数据挖 掘经验，光有这些还不够，还得不停地尝试、摸索，在试错中前进，有时多少还要靠点运气。通常特征数量很多，但我们只想选用其中一小部分。有如下几个原因。1、降低复杂度随着特征数量的增加，很多数据挖掘算法需要更多的时间和资源。减少特征数量，是提高算法运行速度，减少资源使
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

J-JunLiang

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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