这篇教程Python方差特征过滤的实例分析写得很实用，希望能帮到您。
说明1、通过特征本身的方差来筛选特征。特征的方差越小，特征的变化越不明显。 2、变化越不明显的特征对我们区分标签没有太大作用，因此应该消除这些特征。 实例def variance_demo(): """ 过滤低方差特征 :return: """ # 1. 获取数据 data = pd.read_csv('factor_returns.csv') data = data.iloc[:, 1:-2] print('data:/n', data) # 2. 实例化一个转换器类 transfer = VarianceThreshold(threshold=10) # 3. 调用fit_transform() data_new = transfer.fit_transform(data) print('data_new:/n', data_new, data_new.shape) return None知识点扩充： 方差过滤法 VarianceThreshold 是特征选择的一个简单基本方法,其原理在于–底方差的特征的预测效果往往不好。而VarianceThreshold会移除所有那些方差不满足一些阈值的特征。默认情况下，它将会移除所有的零方差特征，即那些在所有的样本上的取值均不变的特征。 sklearn中的VarianceThreshold类中重要参数 threshold（方差的阈值），表示删除所有方差小于threshold的特征 #不填默认为0——删除所有记录相同的特征。 import pandas as pdimport numpy as npnp.random.seed(1) #设置随机种子，实现每次生成的随机数矩阵都一样a= np.random.randint(0, 200,10)b= np.random.randint(0, 200,10)c= np.random.randint(0, 200,10)d= [9,9,9,9,9,9,9,9,9,9]data=pd.DataFrame({"A" : a,"B" : b,"C" : c,"D" : d})datafrom sklearn.feature_selection import VarianceThresholdsel_model = VarianceThreshold(threshold = 0)#删除不合格特征之后的新矩阵sel_model.fit_transform(data)到此这篇关于Python方差特征过滤的实例分析的文章就介绍到这了,更多相关Python方差特征过滤的实现内容请搜索51zixue.net以前的文章或继续浏览下面的相关文章希望大家以后多多支持51zixue.net！
Python高级架构模式知识点总结
Python特征降维知识点总结 |
