机器学习第三期

最新推荐文章于 2025-07-31 15:05:25 发布

原创最新推荐文章于 2025-07-31 15:05:25 发布 · 641 阅读

CC 4.0 BY-SA版权

文章标签：

常见特征：统计量特征（计数，求和，比例，标准差等），时间特征(相对时间和绝对时间，节假日双休日)，空间特征（分箱，分布编码等）

处理方法：非线性变换（log/平方等）；特征组合；特征交叉

过滤式-先特征选择，再训练学习器-方法有Relief,方差选择，相关系数，互信息

在机器学习和特征选择中，互信息常被用作评估特征与目标变量之间的相关性，以确定哪些特征对于预测目标变量是最有价值的。较高的互信息表示特征与目标变量之间存在较强的相关性。

使用互信息进行特征选择的一般步骤如下：

可用scikit-learn库中的mutual_info_classif（用于分类问题）和mutual_info_regression（用于回归问题）函数，进行互信息计算。

包裹式-直接把最终将要使用的学习器的性能作为特征子集的评价准则-方法有LVM

嵌入式-结合前两者，学习器训练过程中自动进行了特征选择-Lasso

zeros(9) # 创建一个长度为 9 的零数组
map(function,iterable),map()函数用于对可迭代对象【如列表元组等】中的每一个元素应用指定的函数，function是一个函数，iterable是一个可迭代对象。
.map()方法是对 . 前的对象应用映射操作，即根据括号中的函数规则将原始值转换为新的值
mean()计算均值
concat()函数用于沿指定轴（行或列）将多个DataFrame对象或Series对象进行拼接
axis参数用于指定连接操作沿哪个轴进行axis=0按行连接axis=1按列连接

uuid	eid	udmap	common_ts	x1	x2	x3	x4	x5	x6	x7	x8
0	26	{"key3":"67804","key2":"650"}	1689673468244	4	0	41	107	206	1	0	1

题目分析
uuid为样本唯一标识，eid为访问行为ID，udmap为行为属性，其中的key1到key9表示不同的行为属性，如项目名、项目id等相关字段，common_ts为应用访问记录发生时间（毫秒时间戳），其余字段x1至x8为用户相关的属性，为匿名处理字段。target字段为预测目标，即是否为新增用户。

决策树的参数包括以下几个常见的参数：

最大深度（max_depth）：指定决策树的最大深度，控制树的复杂程度和过拟合的风险。较大的最大深度可以提高模型的学习能力，但也容易造成过拟合。
最小样本划分数（min_samples_split）：指定进行节点划分所需的最小样本数。如果某个节点的样本数量小于该值，则不再进行划分。增大该值可以限制决策树的生长，防止过拟合。
最小叶子节点样本数（min_samples_leaf）：指定叶子节点上所需的最小样本数。如果叶子节点的样本数量小于该值，则不再进行进一步划分。增大该值可以限制决策树的生长，防止过拟合。
最大特征数（max_features）：指定在每个节点上用于划分的特征数。可以是一个固定值，也可以是一个百分比。较小的特征数可以降低决策树的复杂度，防止过拟合。
分裂标准（criterion）：指定用于衡量节点纯度或分裂质量的标准，常见的有基尼系数（gini）和信息增益（entropy）。

基尼系数用来衡量不确定性。选择基尼系数最小的作为决策树节点，即下一步分类的依据，以此循环。以基尼系数为核心的是CART决策树。

如果决策树过于复杂，可以增加最大深度、最小样本划分数和最小叶子节点样本数等参数来限制其生长；如果决策树欠拟合，可以减小这些参数或调整分裂标准等来增加模型的复杂度。选择适当的参数可以帮助平衡模型的复杂度和性能。