16、基于特征选择技术的乳腺癌数据集分类预测建模

基于特征选择技术的乳腺癌数据集分类预测建模

1. 机器学习与预测建模概述

机器学习是基于现有数据模式解决问题，而非直接编程。其模型应用于分类、回归、聚类、异常检测、排名、推荐和预测等多种过程。
- 分类 ：预测数据实例所属类别，可分为二元分类和多类分类。
- 回归 ：从相关特征集预测连续值标签。
- 聚类 ：根据数据实例的相似性将其分组。
- 异常检测 ：识别罕见或异常事件，用于欺诈交易检测等。
- 排名 ：为标记数据分组并分配分数，为未知实例排名。
- 推荐 ：根据用户历史数据推荐产品或服务。
- 预测 ：基于过去的时间序列数据进行未来预测。

预测建模中，模型通过历史数据训练，对新数据进行预测。其性能依赖于所选算法的效率和数据质量。特征选择有助于降低计算成本、提高模型性能、增强泛化能力、减少过拟合、降低数据误差并去除变量冗余。

2. 特征选择方法

特征选择过程包括搜索程序和评估措施，不同特征子集可能对不同机器学习模型产生最优性能。特征选择方法可分为监督和无监督两类。
- 无监督方法 ：不考虑目标变量，通过相关性方法去除冗余变量。
- 监督方法 ：去除与目标变量无关的变量，如过滤方法和包装方法。
- 过滤