切换模式
特征选择（Feature selection）方法汇总
机器智能时代
一、简介
特征选择(排序)对于数据科学家、机器学习从业者来说非常重要。大家都知道，“特征决定了模型的上限，模型只是逼近这个上限”。好的特征选择能够提升模型的性能，更能帮助我们理解数据的特点、底层结构，这对进一步改善和解释模型、算法都有着重要的作用。除此之外，从高维特征中选择最有效的少数特征，还有助于解决模型过拟合问题，提高模型的泛化能力。
二、方法汇总
根据特征选择的形式，一般将特征选择的方法分为三大类：
- Filter(过滤法)：将每个特征变量与目标变量进行度量评分，按照得分高低来选择与目标变量最相关的少数特征。
- Embedded(嵌入法)：使用机器学习算法模型在数据集上进行训练，从而得到各个特征的重要性得分，根据系得分高低选择少数特征（类似于Filter法，只不过系数是通过模型训练过程中学习得来的）。
- Wrapper(包装法)：，每次增加（或删除）若干特征，建立算法模型，根据最后的评价函数得分，进行特征选择。
三、Python实战
实战链接：
如果本文对您有帮助，请点赞和收藏！关注博主，继续为大家带来前沿AI算法知识！
编辑于 2022-10-01 22:52
机器学习
特征工程
特征选择