精简模型，提升效能：线性回归中的特征选择技巧

在本文中，我们将探讨各种特征选择方法和技术，用以在保持模型评分可接受的情况下减少特征数量。通过减少噪声和冗余信息，模型可以更快地处理，并减少复杂性。

我们将使用所有特征作为基础模型。然后将执行各种特征选择技术，以确定保留和删除的最佳特征，同时不显著牺牲评分（R2 分数）。使用的方法包括：

• 相关性矩阵
• 检查方差膨胀因子（VIF）
• Lasso作为特征选择方法
• Select K-Best（f_regression 和 mutual_info_regression）
• 递归特征消除（RFE）
• 顺序前向/后向特征选择

 

https://avoid.overfit.cn/post/193a9516b36c48a7987766746ef20e8f