标签：python python-3-x machine-learning regression decision-tree

我使用Scikit Learn的决策树对数据集进行回归.
我的结果非常好,但是我担心的一个问题是许多功能的相对不确定性非常高.
我试图放弃具有高度不确定性的案例,但这会显着降低模型的性能.

特征本身是通过实验确定的,因此它们具有相关的实验不确定性.数据本身并不嘈杂.

所以我的问题是,有没有一种很好的方法将与功能相关的不确定性纳入机器学习算法？

感谢您的帮助！

解决方法:

如果不确定的特征正在改进表明它们在一起的算法,它们是有用的.但是,其中一些可能不是.我的建议是摆脱那些没有改进算法的功能.您可以使用贪婪的功能消除算法.

http://scikit-learn.org/stable/modules/generated/sklearn.feature_selection.RFE.html

首先,训练模型中所有特征的模型,然后摆脱被认为最不实用的特征.它再次训练模型,但少了一个功能.

希望有所帮助

标签：python,python-3-x,machine-learning,regression,decision-tree
来源： https://codeday.me/bug/20190701/1349385.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。