摘要：
0 - 引入 在特征选择之后，有可能由于特征量过大导致计算量太大、内存溢出或者训练时间长的问题，因此需要通过降维方法将特征维度降低。 常用的降维方法有如下几种： 基于L1惩罚项的模型（上一篇特征选择提到的） 主成分分析法（PCA） 线性判别分析（LDA） 下面通过sklearn并基于iris数据集来 阅读全文
摘要：
0 - 引入 在数据预处理之后，我们通常需要选择有意义的特征进行后续的训练，一般选取特征的依据有如下两个方面： 特征是否发散（我觉得更好的描述应该是，特征分布是否正常）：如果一个特征不发散，则方差接近0，说明各个样本的该特征相差无几，所以该特征对于样本的区分用处不大； 特征与目标的相关性：对于目标相 阅读全文
摘要：
0 - 引入 一般通过特征提取或者数据集给出的特征，可能都有如下问题： 由于存在上述问题，因此在我们设计算法和模型之前，我们需要相对数据进行预处理，下面通过sklearn中的preprocessing模块并基于iris数据集来介绍不同的数据预处理。 导入iris数据集。 1 - sklearn方法查 阅读全文