特征选择案例

最新推荐文章于 2025-06-02 17:15:08 发布

原创

最新推荐文章于 2025-06-02 17:15:08 发布 · 2k 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#特征降维特征选择

本文探讨了特征降维的两种方法——特征选择和特征抽取。特征选择是从所有特征中挑选子集，而特征抽取则通过现有特征的组合创建新特征。PCA作为一种特征抽取方法，展示了如何通过原特征的线性组合构建新特征。实验强调了特征选择差异对样本分类结果的影响。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

特征降维（P443）

特征降低维度分两种方法：特征选择和特征抽取。

特征选择：选择全部特征的一个子集作为特征向量。

特征抽取：通过已有特征的组合建立一个新的特征子集。

主成分分析方法（PCA）就是通过原特征的线性组合建立新的特征子集的一种特征抽取方法。

该实验主要介绍特征选择不同，带来的样本分类的差异性不同。

% scatter 是离散点的绘制程序，plot准确来说是绘制线图的。

% scatter(X,Y) X和Y是数据向量，以X中数据为横坐标，以Y中数据位纵坐标描绘散点图，点的形状默认使用圈。
% scatter3(x,y,z) 描绘三维图形

代码：
load fisheriris
data=[meas(:,1),meas(:,2)] %采用花瓣长度和花瓣宽度作为特征
figure
scatter(data(1:50,1),data(1:50,2),'b+'); %第一类
hold on,scatter(data(51:100,1),data(51:100,2),'r*') %第二类
hold on,scatter(data(101:150,1),data(101:150,2),'go') %第三类
data=[meas(:,1),meas(:,3)] %换一组特征，采用花瓣长度和萼片长度作为特征
figure
scatter(data(1:50,1),data(1:50,