代码拉取完成,页面将自动刷新
同步操作将从 OpenDocCN/sklearn-doc-zh 强制同步,此操作会覆盖自 Fork 仓库以来所做的任何修改,且无法恢复!!!
确定后同步将在后台操作,完成时将刷新页面,请耐心等待。
如果你的特征数量很多, 在监督步骤之前, 可以通过无监督的步骤来减少特征. 很多的 无监督学习 方法实现了一个名为 transform
的方法, 它可以用来降低维度. 下面我们将讨论大量使用这种模式的两个具体示例.
Pipelining 非监督数据约简和监督估计器可以链接起来。 请看 Pipeline: 链式评估器.
decomposition.PCA
寻找能够捕捉原始特征的差异的特征的组合. 请参阅 分解成分中的信号(矩阵分解问题).
示例
模块: random_projection
提供了几种用于通过随机投影减少数据的工具. 请参阅文档的相关部分: 随机投影.
示例
cluster.FeatureAgglomeration
应用 层次聚类 将行为类似的特征分组在一起.
示例
特征缩放
请注意,如果功能具有明显不同的缩放或统计属性,则
cluster.FeatureAgglomeration
可能无法捕获相关特征之间的关系.使用一个preprocessing.StandardScaler
可以在这些 设置中使用.
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。