特征降维方法综述：低方差过滤、PCA与相关系数法.pptx

特征降维

特征降维低方差过滤主成分分析PCA相关系数法

理解特征降维的作用知道低方差过滤法知道相关系数法掌握PCA进行降维

特征降维为什么要进行特征降维）？特征对训练模型时非常重要的；用于训练的数据集包含一些不重要的特征，可能导致模型泛化性能不佳eg：某些特征的取值较为接近，其包含的信息较少eg：希望特征独立存在对预测产生影响，两个特征同增同减非常相关，不会给模型带来更多的信息特征降维目的：指在某些限定条件下，降低特征个数特征降维涉及的知识面比较多，当前阶段常用的方法：低方差过滤法、PCA（主成分分析）降维法、相关系数（相关系数、相关系数）

特征降维–低方差过滤法低方差过滤法：指的是删除方差低于某些阈值的一些特征特征方差小：特征值的波动范围小，包含的信息少，模型很难学习到信息特征方差大：特征值的波动范围大，包含的信息相对丰富，便于模型进行学习低方差过滤API：sklearn.feature_selection.VarianceThreshold(threshold=0.0) 实例化对象用于删除所有低方差特征variance_obj.fit_transform(X)X:numpyarray格式的数据[n_samples,n_features]返回值：训练集差异低