特征选择

1. 意义

1. 降维，减少计算量
2. 特征优选，降低模型复杂度，符合“奥卡姆剃刀”原理

2. 方法

1. 去除变化较小的特征
2. 方差选择法：选择方差较大的特征
3. PCA降维，同时可以去特征间耦合
4. 皮尔逊相关度：选取互相独立的标签
5. 根据可分性判据：类内类间距离、概率分布、信息熵等，每次单独计算各个特征的可分性判据，选前m个
6. 互信息系数
7. L1正则化，Lasso回归
8. 树模型，根据平均不纯度减少值划分，算出每个特征对不纯度减少的贡献（缺点：对先选的特征先降低，并不一定后选的就不如先选的重要，因此要多次取平均）
9. 随机森林随机列采样，集成学习
10. gdbt、xgb进行特征组合，对叶子节点的类别编码（真实类别所属叶子节点编1，其余编0），后接LR继续训练（CTR常用）
11. embdding，深度学习、NLP中常用，通过全连接组合特征，输出为两层间的参数值
12. 最优选择算法，从M个中选n个，枚举C(n,M)种可能性
13. SFS：每次从剩下的特征里选一个最优的
14. SBS：第一次选全部特征，每次剔除一个最差的
15. LR：结合SFS和SBS
16. 遗传算法：每次选一批优选特征，进行交叉和变异，直至收敛

• 点赞
• 收藏
• 分享
• 文章举报