0
A
回答
1
这很大程度上取决于您的回归算法。对于基于内核的回归算法来说,好的特性对于线性分类器可能相当不利。 (https://en.wikipedia.org/wiki/Feature_selection) 您似乎瞄准了“过滤方法”。在许多回归设置中很好用的是Pearson Correlation。这在ML-Lib中也是可用的。
但是,你应该考虑到不加K个顶部相关功能,但
- 避免选择对高相关的功能。所以你必须建立所有特征对之间的相关矩阵。
- 选择顶级特征,构建回归模型,测量模型的误差,测量误差与其余特征之间的相关性。这将贪婪地选择最佳功能
- 一旦你选择了你的功能,你应该考虑做一个灵敏度分析。这就是为所有功能建立一个回归模型,并为所有功能已被删除的功能集建立回归模型。如果删除没有显着影响,您可以删除它。
相关问题
- 1. 机器学习 - 分类器评估
- 2. 评估线性回归(在Microsoft机器学习
- 3. 高斯NB机器学习 - 特征分析
- 4. SVM机器学习:LibSVM中的特征表示
- 5. Scikit学习:预测分类特征
- 6. 特征选择(机器学习)的包装方法在Scikit学习
- 7. 特征选择Scikit学习
- 8. 机器学习 - 图像的特征设计
- 9. 少数样本和特征的机器学习算法
- 10. scikit学习(sklearn)中的特征如何排在RFECV中?
- 11. 机器学习 - 特征选择和训练数据
- 12. 机器学习-svm特征融合技术
- 13. 机器学习算法评估
- 14. 在回归(机器学习)中处理未分配(空)的要素值?
- 15. 什么机器归纳偏置学习
- 16. 机器学习的挑战:在Java/Groovy中(数据挖掘,机器学习)
- 17. 标准化对线性回归的影响:机器学习
- 18. 特征预处理scikit学习
- 19. Bot中的机器学习
- 20. GATE中的机器学习
- 21. 支持向量机回归学习器Matlab
- 22. Python机器学习准确性评分与意见
- 23. 如何分辨机器学习模型的学习型
- 24. 安排Azure机器学习实验
- 25. 机器学习分类器AdaBoost for C#
- 26. 无机器学习的文本分类
- 27. 机器学习在Python:scikit学习/ Pybrain
- 28. 机器学习形状和类型的机器学习
- 29. 机器学习,Python
- 30. 机器学习 - 特征选择和建模(样本间的连接)
感谢您的详细回复。我目前的目标仅限于查找功能的排名。我正在使用线性SVR进行回归。我需要知道是否有一些基于Java的实现可以轻松实现基于过滤器的方法。 – Sumit
是的Weka。 Weka为机器学习提供variouse算法。 http://weka.sourceforge.net/doc.dev/weka/attributeSelection/CorrelationAttributeEval.html (我把ML-Lib和http://spark.apache.org/mllib/混淆了) – CAFEBABE