详细内容或原文请订阅后点击阅览
用于有效特征选择的 5 个有用的 Python 脚本
学习五个简单的 Python 脚本来执行有效的特征选择。每一种都是实用、简约且易于在实际项目中使用的。
来源:KDnuggets简介
作为一名机器学习从业者，您知道特征选择是一项重要但耗时的工作。您需要确定哪些特征真正有助于模型性能，删除冗余变量，检测多重共线性，过滤掉噪声特征，并找到最佳特征子集。对于每种选择方法，您可以测试不同的阈值、比较结果并跟踪哪些方法有效。
随着功能空间的增长，这变得更具挑战性。对于数百个工程特征，您将需要系统的方法来评估特征重要性、消除冗余并选择最佳子集。
本文介绍了五个 Python 脚本，旨在自动执行最有效的特征选择技术。
您可以在 GitHub 上找到这些脚本。
1. 使用方差阈值过滤常数特征
痛点
具有低方差或零方差的特征几乎不提供用于预测的信息。在所有样本中恒定或几乎恒定的特征无助于区分不同的目标类别。手动识别这些特征意味着计算每列的方差，设置适当的阈值，并处理边缘情况，例如二进制特征或具有不同尺度的特征。
脚本的作用
根据可配置的阈值识别并删除低方差特征。适当处理连续和二元特征，标准化方差计算以在不同尺度上进行公平比较，并提供详细的报告，显示哪些特征被删除以及原因。
工作原理
该脚本计算每个特征的方差，并根据特征类型应用不同的策略。
⏩获取基于方差阈值的特征选择器脚本