怎样判断分类特征值选取是否有效( 二 )
具体的方法你去看sklearn.feature_selection的documentation就好，觉得不够详细再看源码，这样可以更加理解。
还有一类是训练模型之后输出的特征重要性排序，这个严格来说叫特征评价。
比如用的是gbdt、xgboost之类的，模型会告诉你他在训练的时候通过一些参数的配置（其实还是lasso\u0026amp;ridge惩罚降维）和树的特性把哪些特征筛掉了，xbg的话，模型可以输出cover\\gain\\weight三种指标，gain是信息增益，跟基本决策树一样的，根据经验条件概率来求和的。weight是特征权重，跟cover的区别大概在于weight是横向来看这个特征导致了几次分裂，cover是子树内纵向来看这个特征区分了多少样本，这么理解就好。
这两类方法的主要区别在于，第二类是模型的特征评价，模型，模型，模型。如果你的模型没训练好，比如参数调的不好或训测集分的渣了，那这个特征序列就会偏离真实的数据了。
推荐阅读
- 聪明人养花，这3种“花”怎样也要养一盆，每年能省不少医药费
- 垃圾■垃圾分类哪里强？南京全市成绩单亮相！
- 互联网怎样解决“家政服务上门速度慢”的问题
- 怎样看待从1月8号起，QQ钱包开始提现收费
- 银行it人怎样转型
- 汽车|冬天怎样让车内温度快速升高？座椅加热的最佳使用方式二，外循环的作用总结
- 怎样进入通信行业
- 怎样评价扶他柠檬茶的小说《云养汉》的结尾
- |打造垃圾分类管理“姑苏标准”
- 怎样成为一名合格的Python程序员?