1回答
有100个具有二进制类别标签的示例(sick - 1，健康- 0)，每个示例有9847个特征。为了降低维数，我正在使用LogisticRegression估计器和5折CV执行RFECV。代码如下：rfecv = RFECV(estimator=model, step=1, cv=StratifiedKFold(5), n_jobsCV分数的关系图：plt.xlabel("feature count"
浏览 6提问于2018-08-20得票数 0
我正在处理一个具有50个特性的二进制分类，我使用的是tf.estimator.DNNClassifier。如何对影响结果的顶级功能进行排序？feature_columns=feat_cols, hidden_units=[1024, 512, 256])试图使用以下方法
浏览 1提问于2018-06-06得票数 0
回答已采纳
我有一个不平衡的数据集(2:1比)，大约有60名患者和80个特征。我进行了递归特征消除(RFE)和分层交叉验证，将特征减少到15个，并使用Logistic回归和/或支持向量机( SVM )得到了0.9的AUC。我不完全相信我得到的AUC，因为我认为它不会正确地泛化，因为这样一个小的积极类。所以，我在考虑过度抽样(K-方法+ PCA) --少数群体--并重新运行RFE方法，这会有帮助吗？谢谢。，但我确实使用了
浏览 0提问于2020-01-20得票数 1
2回答
我在dataset上运行了随机森林(不平衡的二进制目标类)，并使用交叉验证来调优参数，并使用递归特征消除和交叉验证来获得特征子集。但是概率阈值呢？如果这个阈值在CV的倍数中不稳定，下一步怎么办？
浏览 0提问于2017-01-18得票数 1
使用相关性和使用特征选择来选择重要的/高度相关的变量有什么区别？在研究特征选择时，我看到它使用包括皮尔逊相关性在内的统计测试。当这样做时，通过递归特征消除，前3个相关性最高的变量和前3个排序的变量之间有一
浏览 10提问于2017-12-07得票数 0
我有近1000个地点的一些空间数据，每个地点大约有5000个特征。我正在做邻域分析，以确定哪些特征在本地社区中占主导地位。
rfc = RandomFores
浏览 0提问于2021-04-01得票数 0
1.首先:基本上我们进行状态分析来了解数据。此外，他们还进行了统计检验，如X-平方，以寻找有统计学意义的特征。假设他们有大约15个“血液参数”，测试会告诉我们其中只有10个在统计学上是重要的。这是否意味着这5将不会用于培训和可以删除？如果他们可以被删除:特征消除证明是一样的吗？假设我们使用了递归特征消除/随机森林的10个最佳特征。结果会是一样的吗？
浏览 0提问于2022-05-01得票数 1
回答已采纳
1回答
Scikit-learn库支持递归特征消除(RFE)及其交叉验证版本(RFECV)。RFECV对我非常有用，它选择了一些小的特性，但是我想知道RFE的交叉验证是如何完成的。RFE是减少最不重要的特性的方法。所以我认为RFECV会计算交叉验证分数，去掉1乘1的特征。
但是如果使用交叉验证，我认为每个折叠都会选择其他特性，因为数据是不同的。
浏览 0提问于2016-01-10得票数 1
回答已采纳
谁能解释一下，为什么在Scikit-learn中使用交叉验证进行递归特征消除时，分类的准确性会随着特征的增加而下降？从Scikit-learn documentation here：中报告的示例来看，当使用7个特征时，似乎产生了最好的分类结果。然而，当使用17个特征时，准确率下降了25%。这怎麽可能？
浏览 3提问于2015-03-30得票数 0
我使用了递归特征消除和交叉验证(rfecv)，以便为我拥有的几个特征(m =154)找到最佳准确度分数。rfecv = RFECV(estimator=logreg, step=1, cv=StratifiedKFold(2),rfecv.fit正如你可以从前13个特征中看到的(排名在前10名中)，他们的排名不是基于分数。我知道排名与特征在交叉验证过程中被排除的方
浏览 24提问于2017-02-28得票数 3
回答已采纳
3回答
低分辨率图像特征检测与描述器
、、、、
目前，我正在使用SURF来检测关键点并从图像中提取描述符，而FLANN用于跟踪它们。在应用RANSAC (通常会减少20%的匹配数量)之前，我将获得每幅图像4000-5000的特征，通常每对连续图像将得到350-450个匹配。在低分辨率和高噪音的图像中，什么是最好的特征检测器和提取器？是否应根据使用的特征<
浏览 6提问于2014-06-26得票数 5
1回答
从特征集中选择集成特征
、、、
我有一个关于集合特征选择的问题。
我的数据集由1,000个样本和大约30000个特征组成，它们被分类为标签A或标签B。我想做的是挑选一些可以有效地对标签进行分类的特征。我使用了三种方法，单变量方法(皮尔逊系数)，套索回归和SVM-RFE(递归特征消除)，所以我从它们中得到了三个特征集。我使用python scikit-learn进行特性选择。然后我在考虑集成特征选择方法，因为<em
浏览 2提问于2015-12-11得票数 3
目前，我正在研究网格搜索(GridSearchCV)中的递归特征消除(RFECV)，使用scikit-learn寻找基于树的方法。为此，我在GitHub上使用当前的dev版本(0.17)，它允许RFECV使用树方法中的特性重要性来选择要丢弃的特性。为了清楚起见，这意味着：
s
浏览 1提问于2015-08-03得票数 2
1回答
实现后向贪婪的特征选择
、、、
我正在尝试应用具有1700个特征和3300个实例的数据集的特征选择。特征选择的方法之一是逐步回归。这是一种贪婪的算法，在每一轮中删除最差的特征。我使用数据在SVM上的性能作为衡量标准，以找出最差的功能。第一次，我训练SVM 1700次，每次只保留一个特征。在此迭代结束时，我从集合中删除了其删除会导致最高SVM性能的特征。第二次，我训练SVM 1699次，每次保留一个特征，以此类推。
如果我想将数据集减少到100个特征
浏览 1提问于2013-06-05得票数 1
1回答
我的尝试当您看到前4行(有很多行)时，loan_amnt计数似乎不太可能是附件:如何重新创建数据集impor
浏览 13提问于2019-07-18得票数 0
我想使用一种特征选择方法，在这种方法中，简单的线性回归考虑了特征的“组合”或“特征之间”的交互作用。
SelectKBest只查看目标的一个特征，一次一个，并根据皮尔逊的R值对它们进行排名。递归特征消除首先使用我的所有特征，拟合线性回归模型，然后剔除绝对值系数最小的特征。我不确定这是否解释了“特征之间”的交互作用……我不这么认为，因为它只是一次踢出一个最小的系数，
浏览 3提问于2016-09-10得票数 1
1回答
📷我的想法是将基于行的数据集转换为基于二进制值的列，例如Brake: 0/1，屏幕0/1。但是我会有很多输入，因为可能的输入数是100-200..
浏览 0提问于2023-01-27得票数 -1
1回答
我想进行一个特征选择，假设我有一个设计矩阵X (X_1，...，X_84)和一个多变量目标Y=Y_1，Y_2，Y_3，Y_4，所以这是一个多变量多元线性回归。理想情况下，我希望使用Python RFE (递归特征消除)、LassoCV和sm.OLS，除了Y必须是向量而不是矩阵。谢谢
浏览 4提问于2020-08-21得票数 0
2回答
特征选择和交叉验证
、、、、
我想训练一个回归模型，为了做到这一点，我使用随机森林模型。然而，我也需要进行特征选择，因为我的数据集中有太多的特征，我担心如果我使用了所有的特征，我就会过度拟合。1-如果我将数据分成两半，在前半部分进行特征选择，并使用这些选择的特征在剩余的一半上进行5折叠交叉验证( CV ) (在这种情况下，5 CV将使用完全相同的选择特征)。
浏览 1提问于2013-10-29得票数 5
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
云直播活动推荐
腾讯云开发者
