clementine上的特征选择
来源:互联网 发布:上海新浪集团网络运营 编辑:程序博客网 时间:2024/05/19 22:50
【转自】基于clementine的数据挖掘
clementine上的特征选择:
1. 从变量自身考察:重要的变量应该是携带信息较多,也就是变量值差异较大的变量【这个用统计上来表示,就是标准差、变异系数之类】so ,clementine的参考标准是
(1)数值型变量变异系数小于某阀值,则该变量视为不重要变量
(2)数值型变量标差小于某阀值,则该变量不重要
(3)分类型变量若某类别值的个数大于某阀值,则该变量不重要
(4)分类型变量若类别值的数量大于某阀值,则该变量不重要
2. 从输入变量和输出变量相关性角度考虑
就是计算 pearson相关系数,方差分析,卡方检验,分别对应2变量类型 为数值×类别
而重要性 不是相关系数的大小,而是相关系数的t检验的1-p值的大小,1-p的值越大,那么相关系数表示的相关性值越可靠,这个输入变量越重要;同理,方差分析,卡方检验,也是通过比较1-F值得到的p的值,越大表示该变量越重要
0 0
- clementine上的特征选择
- 分类的特征选择
- 特征选择的方法
- 特征选择的方法
- 特征选择与特征抽取的区别
- 特征选择的一般步骤
- 决策树学习的特征选择
- 局部放电的特征选择
- 文本的特征属性选择
- 特征的选择_02:RFormula
- 常用的特征选择方法
- 特征选择的一些方法
- 特征选择之基于相关性的特征选择(CFS)
- 【机器学习】在工程上机器学习特征选择的方法
- 特征选择
- 特征选择
- 特征选择
- 特征选择
- C++构造,析构,友元类,对象,static成员,复制构造函数,运算符重载杂谈
- PHP图片验证码无法显示问题
- 【Cocos2d-x Lua笔记四】Quick-Cocos2d-x
- HDU 3081 Nightmare Ⅱ(双向BFS)
- JBoss5.x下配置Log4j简记
- clementine上的特征选择
- Mysql CMD命令详解
- RILJ 概述
- vertical ProgressBar
- java处理高并发高负载类网站的优化方法
- 逻辑地址、线性地址、物理地址和虚拟地址
- HDU 1043 Eight(BFS+康拓展开)
- 在powerdesigner中执行SQL.通过SQL生成模型图
- C语言指针部分教学总结