基于相关矩阵的特征选择
基于相关矩阵的特征选择
提问于 2018-06-19 18:37:11
在测试Logistic回归、高斯朴素贝叶斯、随机森林和多层感知器等不同算法时，我只是简单地减去平均值，然后除以一个标准差来规范原始数据。并不是所有的人都有这个必要，但我只是想保持一致。但是特征的相关矩阵在归一化前后会发生变化。在决定选择哪些特征以避免输入数据中的冗余时，应该同时考虑相关矩阵还是只考虑规范化后的相关矩阵，因为这是直接提供给机器学习方法的数据？
回答 1
Stack Overflow用户
回答已采纳
发布于 2018-06-19 18:48:12
我认为相关矩阵在“适当”正常化之后应该保持不变。
演示：
In [107]: df = pd.DataFrame(np.random.rand(6,6)) * 100让我们在归一化之前保存Pearson相关矩阵
In [108]: corr1 = df.corr()使用sklearn.preprocessing.StandardScaler的规范化
In [109]: from sklearn.preprocessing import StandardScaler
In [110]: scale = StandardScaler()
In [111]: r = scale.fit_transform(df)归一化后保存Pearson相关矩阵
In [112]: corr2 = pd.DataFrame(r).corr()比较保存的相关矩阵：
In [114]: np.allclose(corr1, corr2)
Out[114]: True页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/50934956
复制相关文章
相似问题
腾讯云开发者
