theITcat的专栏

为什么降维？ 维度小易于训练，过拟合风险低，便于可视化，垃圾特征会误导模型。 降维分为特征选择和特征抽取 特征选择 过滤器： 皮尔逊相关系数衡量线性关系，可以用scipy.stat函数 互信息区分非线性关系 封装器： 以异或运算为例，特征和结果可能有依赖关系，但是从模型角度来说特征不能单独生效。 模型给每个特征投票，用来选择特征，可以用sklearn.feature_selection RFE函数 特征抽取 特征选择之后特...

对于2分类问题，假设数据集由正例和反例构成，那么分类结果可以分为四种情况： 将正例预测为正例，即 正→ 正 将正例预测为反例，即正→ 反 将反例预测为正例，即 反→ 正 将反例预测为反例，即 反→ 反 真实情况 预测结果 正例 反例 正例 TP(...