필자는 72 개 기능을 가진 데이터 세트를위한 랜덤 포레스트 모델을 가지고있다 : 목표는 피쳐 importance를 찾아서 기능 선택을 위해 사용하는 것이다. rf = RandomForestRegressor(n_estimators=XXX)
rf.fit(X, y)
내가 그들의 특징 값과 예측의 목록을 얻을 수 아니에요, 그냥 이 거기에 이름을 얻을 수있
124 개의 기능이있는 범주 형 및 숫자 형 데이터로 구성된 데이터 집합이 있습니다. 차원을 줄이기 위해 관련없는 기능을 제거하고 싶습니다. 그러나, 피쳐 선택 알고리즘에 대한 데이터 세트를 실행하는 I 핫 같이 I 교차 검증과 재귀 기능 제거를 실행 결과 데이터 (391) In[16]:
X_train.columns
Out[16]:
Index([u'p
그리드가 두 개의 프로세서와 전처리기에 대한 검색뿐만 아니라 다양한 기능 조합을 통해 검색하는 코드를 작성하려고합니다. gridsearchCV에서 RFECV를 사용하여이 작업을 수행했습니다. 그러나 이것은 오래 실행됩니다. 그래서, 나는 그 명령을 뒤집었다. 그리드 검색을 한 다음 RFECV에 넣었습니다. 이제는 어떤 모델이 실제로 최고의 모델에서 선택되었
아직 기계 학습 분야를 탐구하고 있으며 기능 선택과 차원 감소의 차이점을 알고 있지만 피쳐 선택 또는 치수 감소 (또는 둘 다를 함께 수행)의 개념을 파악하는 데 어려움을 겪고 있습니다. 약 40 개의 피쳐가있는 데이터 세트가 있다고 가정하고 치수 만 축소 또는 홀드 만 수행하는 것이 좋습니까? 또는 두 가지 방법의 하이브리드가 있어야합니다 (예 : 기능
나는 같은 DataFrame 있습니다. 실제 worker_dicts에는 더 많은 필드가 있습니다. 바이너리 결과 열에 관심이 있습니다. 내가 처음 일을하려고 무엇 은 조잡하게 그에 다항 NB를 실행 한 후 두 열을 연결, 두 text_data 및 worker_dict를 결합했다 : df['stacked_features']=df['text_data'].ast
MXM 패키지의 변수 선택에 Max-min Markov blanket 알고리즘을 사용하고 있습니다. 차원 (95933 x 85)의 지속적인 가치의 행렬 mmmb manual page 내 데이터 세트 D에 따르면 Error in unique(as.numeric(target)) :
(list) object cannot be coerced to type 'do
나는이 오류가 무엇입니까해야합니다. 예측 결과를 얻고 싶지만 m.train(input_fn=get_input_fn ,steps=5000) 코드를 실행할 수 없습니다. 나는 항상 내가 한 것과 똑같은 오류가있다. 다음과 같은 입력 기능을 사용했지만 변경된 사항은 없습니다. def input_fn_train():
x=tf.constant(df_trai
이와 유사한 많은 질문을 했음에도 불구하고 일부 알고리즘이 왜 취약한 지 이해할 수 없었습니다. 지금까지 SVM과 K-means는 선형 스케일링에 민감한 반면 Linear Regression과 Decision Tree는 그렇지 않은 것으로 나타났습니다. 누군가 제게 자세히 설명해 주시겠습니까? 일반적으로 또는이 알고리즘과 관련이 있습니다. 나는 초급자이므로
R에서 Boruta 패키지를 사용하여 변수를 선택하고 있습니다. Boruta는 단일 그래프에서 boxplots의 표준 시리즈를 제공합니다. 유용하지만, 너무 많은 예측 변수가있는 경우 boruta 줄거리에 나타나는 boxplots의 수를 제한 할 수 있기를 바라고 있습니다. 다음 이미지와 같은 것입니다. Basicacly, 나는 플롯의 오른쪽 끝의 "줌"원
의 가능성을 예측하기 위해, 다음과 같은 사실이다 : 나는 각각에 속하는 입력 확률을 예측하기 위해 노력하고있어 12 개 수업. 입력이 12 클래스 중 하나에 속하지 않을 수도 있습니다. 즉, 12 개의 출력 (확률)이 모두 낮을 수 있습니다. 출력 확률은 독립적이어야합니다. 즉, 클래스 1의 확률이 95 %라면 클래스 2의 확률은> 5 % 등이 될 수 있