【Python实例第33讲】单变量特征选择_单特征影响python-优快云博客

本文链接：https://blog.youkuaiyun.com/wong2016/article/details/86366094

本文展示了一个在机器学习中进行单变量特征选择的实例，通过添加无信息的噪声特征，观察并解释了特征选择对模型性能的影响。结果显示，具有实际信息的特征权重更高。在SVM模型前应用单变量特征选择，可以提升显著特征的权重，从而提升分类效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

机器学习训练营——机器学习爱好者的自由交流空间（入群联系qq：2279055353）

这是一个单变量特征选择的例子。这个例子将无信息的噪因特征添加到iris数据集里。对于每一个特征，我们画出单变量特征选择的p-value和一个SVM对应的权重。结果显示：有信息的特征具有更大的权值。

在整个的特征集里，仅仅有4个是显著的，它们具有最高的单变量特征选择分数。SVM同时也选择了很多无信息的特征。在SVM之前应用单变量特征选择，能够增加显著的特征的权值，这样也改善了分类的效果。

实例代码

import numpy as np
import matplotlib.pyplot as plt

from sklearn import datasets, svm
from sklearn.feature_selection import SelectPercentile, f_classif

# #############################################################################
# Import some data to play with

# The iris dataset
iris = datasets.load_iris()

# Some noisy data not correlated
E = np.random.uniform(0, 0.1, size=(len(iris.data), 20))

# Add the noisy data to the informative features
X = np.hstack((iris.data, E))
y = iris.target

plt.figure(1)
plt.clf()

X_indices = np.arange(X.shape[-1])

# ################################