目录:
视频: R语言第17期 ：回归模型比较和变量筛选 2025
在Python中选择正确的变量可以减少数据科学中的学习过程，信息）可以影响学习者的估计。因此，变量选择可以有效地减少预测方差。为了在训练中只涉及有用的变量并省略多余的变量，可以使用下面的方法：
-
单变量方法： 选择与目标结果最相关的变量。
<！贪婪或向后的方法： -
只保留可以从学习过程中删除而不损害其性能的变量。 通过单变量度量选择
如果您决定通过与其目标相关联的级别来选择变量，则SelectPercentile类将提供一个自动过程，仅保留最佳关联要素的某个百分比。可用的关联指标是
-
f_classif：仅用于分类目标，并基于方差分析（ANOVA）统计检验。 chi2：对分类目标执行卡方统计，对于预测变量与其目标之间的非线性关系较不明显。
-
<！当评估分类问题的候选者时，f_classif和chi2倾向于提供相同的最高变量集合。测试关联指标的选择仍然是一个很好的做法。
-
SelectPercentile除了可以直接选择最重要的百分比关联外，还可以对最佳变量进行排名，以便更容易地决定排除某个特征参与学习过程的百分比。类SelectKBest类似于它的功能，但它选择了前k个变量，其中k是一个数字，而不是百分位数。从sklearn
。 feature_selection从sklearn中导入SelectPercentile。 feature_selection import f_regression Selector_f = SelectPercentile（f_regression，percentile = 25）Selector_f。 fit（X，y）for n，s in zip（boston。feature_names，Selector_f。scores_）：print'F-score：％3。 （s，n）F分数：88. 15对于特征CRIM F得分：75. 26对于特征ZN F得分：153.35对于特征INDUS F得分：15.97对于特征％功能CHAS F得分：112.59功能NOX F得分：471.85功能RM F得分：83。48对于特征AGE F得分：33.对于特征DIS F得分为58.58对于特征RAD F得分为141.76对于特征TAX F得分为175.对于特征PTRATIO F得分为11.63。 05功能B F-score：601. 62功能LSTAT
使用关联输出级别帮助您为机器学习模型选择最重要的变量，但是您应该注意以下可能的问题： >一些高度相关的变量也可能是高度相关的，引入重复的信息，这在学习过程中起到噪音的作用。某些变量可能会受到惩罚，特别是二进制变量（变量指示状态或特征，当值为1时，值为1，否则为0）。例如，请注意，输出显示二进制变量CHAS与目标变量关联最少（但您从前面的示例中了解到，它在交叉验证阶段具有影响力）。单变量选择过程可以给你一个真正的优势，当你有大量的变量可供选择时，所有其他方法在计算上是不可行的。最好的方法是将SelectPercentile的值减少一半或更多的可用变量，将变量数量减少到一个可管理的数量，从而允许使用更复杂和更精确的方法，如贪婪搜索。
使用贪婪搜索
当使用单变量选择时，您必须自己决定要保留多少个变量：贪婪选择会根据对学习模型的有效贡献，自动减少参与学习模型的特征的数量性能测量由误差测量。适合数据的RFECV类可以为您提供关于有用特征数量的信息，并将它们指向您，并通过方法转换将X数据自动转换为简化变量集合，如下面的例子：sklearn中的
。 feature_selection import RFECV selector = RFECV（estimator = regression，cv = 10，scoring =“mean_squared_error”）选择器。 （X，y）打印（“最佳特征数量：％d”％选择器。n_特征_）最佳特征数量：6
-
可以通过调用RFECV的属性support_获取最佳变量集合的索引上课后，你适应它。打印波士顿。 feature_names [选择器。请注意，CHAS现在包含在最具预测性的特征之中，与单变量搜索的结果形成对比，RFECV方法可以检测变量是重要的，不管它是二元的，分类的还是数字的，因为它直接评估特征在预测中所扮演的角色
-
与单变量方法相比，RFECV方法当然更有效率，因为它考虑高度相关的特征，并且被调整以优化评估测量（通常不是卡方或F分数）。作为一个贪婪的过程，它在计算上要求很高，并且可能只接近最好的一组预测器。由于RFECV从数据中学习到最好的一组变量，所以选择可能会过度，这是所有其他机器学习算法发生的情况。在不同的训练数据样本上尝试RFECV可以确定使用的最佳变量。
