什麼是特徵選擇
2.改善效能：節省儲存和計算開銷
3.改善通用性、降低過擬合風險：減輕維數災難，特徵的增多會大大增加模型的搜尋空間，大多數模型所需要的訓練樣本隨著特徵數量的增加而顯著增加。特徵的增加雖然能更好地擬合訓練資料，但也可能增加方差
# 方差選擇法，返回值為特徵選擇後的資料
# 引數threshold為方差的閾值
variancethreshold(threshold=3).fit_transform(iris.data)
from sklearn.feature_selection import selectkbest
from scipy.stats import pearsonr
# 選擇k個最好的特徵，返回選擇特徵後的資料
# 第乙個引數為計算評估特徵是否好的函式，該函式輸入特徵矩陣和目標向量，
# 輸出二元組（評分，p值）的陣列，陣列第i項為第i個特徵的評分和p值。
# 在此為計算相關係數
# 其中引數k為選擇的特徵個數
selectkbest(lambda x, y: array(map(lambda x:pearsonr(x, y), x.t)).t,
k=2).fit_transform(iris.data, iris.target)
from sklearn.feature_selection import selectkbest
from sklearn.feature_selection import chi2
#選擇k個最好的特徵，返回選擇特徵後的資料
selectkbest(chi2, k=2).fit_transform(iris.data, iris.target)
from sklearn.feature_selection import selectkbest
from minepy import mine
#由於mine的設計不是函式式的，定義mic方法將其為函式式的
#返回乙個二元組，二元組的第2項設定成固定的p值0.5
def mic(x, y):
m = mine()
m.compute_score(x, y)
return (m.mic(), 0.5)
#選擇k個最好的特徵，返回特徵選擇後的資料
#遞迴特徵消除法，返回特徵選擇後的資料
#引數estimator為基模型
#引數n_features_to_select為選擇的特徵個數
#帶l1懲罰項的邏輯回歸作為基模型的特徵選擇
selectfrommodel(logisticregression(
penalty="l1", c=0.1)).fit_transform(
iris.data,iris.target)
from兩個正序陣列的中位數
給定兩個大小為 m 和 n 的正序 從小到大 陣列 nums1 和 nums2。請你找出並返回這兩個正序陣列的中位數。高階 你能設計乙個時間複雜度為 o log m n 的演算法解決此問題嗎？示例 1 輸入 nums1 1,3 nums2 2 輸出 2.00000 解釋 合併陣列 1,2,3 中位數...
C 兩個獨立exe程式直接通訊
傳送端 wm copydata訊息所要求的資料結構 publicstruct copydatastruct publicconstintwm copydata 0x004a 通過視窗的標題來查詢視窗的控制代碼 dllimport user32.dll entrypoint findwindow pr...
兩個相互獨立的gitLab間的同步
假設機器a上已經有了git倉庫test.git，要在機器b上映象這個git倉庫，則需要在機器b上執行 git clone mirror ssh 也即在機器b上，以git clone mirror的方式將git倉庫從機器a上clone下來，這時機器b上就有了乙份跟機器a一模一樣的git倉庫了。然後在機...