sklearn学习:使用sklearn进行特征选择(未完)
2016-08-04 14:07
615 查看
1.lasso(下面的case实验成功,在6w+,163维度上未实验成功,可能由于特征的区分度不足引发)
2.通过模型设置特征
2.1 通过logistic进行筛选:linear_model.LogisticRegression(C=0.4,penalty='l1',solver='liblinear') C为正则项目,C值约小,特征中为0的项目约多,反之越少
from sklearn.linear_model import RandomizedLasso from sklearn.datasets import load_boston boston = load_boston() #using the Boston housing data. #Data gets scaled automatically by sklearn's implementation X = boston["data"] Y = boston["target"] names = boston["feature_names"] rlasso = RandomizedLasso(alpha=0.025) rlasso.fit(X, Y) print "Features sorted by their score:" print sorted(zip(map(lambda x: round(x, 4), rlasso.scores_), names), reverse=True)
2.通过模型设置特征
2.1 通过logistic进行筛选:linear_model.LogisticRegression(C=0.4,penalty='l1',solver='liblinear') C为正则项目,C值约小,特征中为0的项目约多,反之越少
相关文章推荐
- 特征选择——卡方检验(使用Python sklearn进行实现)
- 使用Matlab进行特征选择
- 如何使用R语言的Boruta包进行特征选择
- 使用sklearn进行增量学习
- sklearn特征选择类库使用小结
- [转]使用sklearn进行集成学习——理论
- machine learning in coding(python):使用贪心搜索【进行特征选择】
- 使用sklearn进行集成学习——理论
- NodeJs学习笔记 05 -- 使用node进行web开发(未完)
- [转]使用sklearn进行集成学习——实践
- 使用sklearn进行集成学习——理论
- 使用Matlab进行特征选择
- 如何使用R语言的Boruta包进行特征选择
- 使用sklearn进行集成学习——实践
- sklearn学习-SVM例程总结2(特征选择——单因素方差分析(方差分析anova ))
- 对比视图和存储过程的使用和学习体会进行选择。
- Python 文本挖掘:使用机器学习方法进行情感分析(一、特征提取和选择)
- sklearn-学习:Dimensionality reduction(降维)-(feature selection)特征选择
- sklearn:使用GBDT选择特征
- sklearn学习——特征工程(特征选择)