详细内容或原文请订阅后点击阅览
我们使用了 3 种特征选择技术：这个效果最好
让我们看一下三种功能选择技术，看看哪种功能最佳。
来源:KDnuggets＃简介
＃在任何机器学习项目中，功能选择都可以制造或破坏您的模型。选择最佳特征子集可减少噪声，防止过度拟合，增强可解释性并通常提高准确性。由于变量无关或多余的变量，模型变得肿，很难训练。由于太少，他们可能会缺少关键信号。
为了应对这一挑战，我们在真实数据集上尝试了三种流行的功能选择技术。目的是确定哪种方法将提供最佳的性能，可解释性和效率的平衡。在本文中，我们分享了测试三种功能选择技术的经验，并揭示了哪种最适合我们的数据集。
＃为什么功能选择重要
构建机器学习模型，尤其是在高维数据集上时，并非所有功能都同样贡献。一组更瘦，更有用的投入集提供了几个优点：
- 减少过度拟合 - 消除无关的变量有助于模型更好地推广到看不见的数据。FASTER培训 - 更少的功能意味着更快的训练和降低计算成本。贝特解释性 - 具有紧凑的预测变量，可以轻松解释什么推动模型决策。
＃数据集
在此实验中，我们使用了Scikit-Learn的糖尿病数据集。它包含442个患者记录，具有10个基线特征，例如体重指数（BMI），血压，几种血清测量和年龄。目标变量是基线一年后疾病进展的定量度量。
让我们加载数据集并准备它：
x
y