如何将功能的不确定性纳入机器学习算法？
作者：互联网
我使用Scikit Learn的决策树对数据集进行回归.
我的结果非常好,但是我担心的一个问题是许多功能的相对不确定性非常高.
我试图放弃具有高度不确定性的案例,但这会显着降低模型的性能.
特征本身是通过实验确定的,因此它们具有相关的实验不确定性.数据本身并不嘈杂.
所以我的问题是,有没有一种很好的方法将与功能相关的不确定性纳入机器学习算法？
感谢您的帮助！
解决方法:
如果不确定的特征正在改进表明它们在一起的算法,它们是有用的.但是,其中一些可能不是.我的建议是摆脱那些没有改进算法的功能.您可以使用贪婪的功能消除算法.
http://scikit-learn.org/stable/modules/generated/sklearn.feature_selection.RFE.html
首先,训练模型中所有特征的模型,然后摆脱被认为最不实用的特征.它再次训练模型,但少了一个功能.
希望有所帮助
标签：python,python-3-x,machine-learning,regression,decision-tree 来源： https://codeday.me/bug/20190701/1349385.html