特征选择（Feature Selection,FS）和特征抽取（Feature Extraction, FE）是特征工程（Feature Engineering）的两个重要的方面。 他们之间最大的区别就是是否生成新的属性。 FS仅仅对特征进行排序（Ranking）和选择， FE更为复杂，需要重新认识 ...
分类：
其他好文 时间：
2016-11-25 12:19:49
阅读次数：
230
An example showing univariate feature selection. Noisy (non informative) features are added to the iris data and univariate feature selection（单因素特征选择） ...
分类：
其他好文 时间：
2016-11-24 18:36:00
阅读次数：
291
Speed Up Tracking by Ignoring Features CVPR 2014 Abstract：本文提出一种特征选择的算法，来实现用最“精简”的特征以进行目标跟踪。重点是提出一种上界 （Upper Bound）来表示一块区域包含目标物体的概率，并且忽略掉这个 bound比较小的区 ...
分类：
其他好文 时间：
2016-11-12 23:09:47
阅读次数：
235
原文 http://dataunion.org/14072.html 主题 特征选择 scikit-learn 作者： Edwin Jarvis 特征选择(排序)对于数据科学家、机器学习从业者来说非常重要。好的特征选择能够提升模型的性能，更能帮助我们理解数据的特点、底层结构，这对进一步改善模型、算法 ...
分类：
其他好文 时间：
2016-10-14 00:26:00
阅读次数：
304
中文原文链接：http://www.cnblogs.com/AHappyCat/p/5318042.html 英文原文链接: An Introduction to Feature Selection 下面的中文译文侧重从原理上进行解释，但是在实际的应用中往往侧重的是实现过程， 可以看考这个链接，描述 ...
分类：
其他好文 时间：
2016-10-08 09:29:25
阅读次数：
319
特征选择是特征工程中的重要问题（另一个重要的问题是特征提取），坊间常说：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。由此可见，特征工程尤其是特征选择在机器学习中占有相当重要的地位。通常而言，特征选择是指选择获得相应模型和算法最好性能的特征集，工程上常用的方法有以下：1. 计算每 ...
分类：
其他好文 时间：
2016-08-27 22:08:28
阅读次数：
497
特征提取和特征选择都是从原始特征中找出最有效（同类样本的不变性、不同样本的鉴别性、对噪声的鲁棒性）的特征。 区别与联系 特征提取：将原始特征转换为一组具有明显物理意义（Gabor、几何特征[角点、不变量]、纹理[LBP HOG]）或者统计意义或核的特征。 特征选择：从特征集合中挑选一组最具统计意义的 ...
分类：
其他好文 时间：
2016-08-27 16:43:43
阅读次数：
637
承网上的前辈所言：机器学习不是一个一个孤立的算法堆砌起来的，想要像看《算法导论》这样看机器学习是个不可取的方法．机器学习里面有几个东西一直贯穿全书，比如说数据的分布、最大似然（以及求极值的几个方法，不过这个比较数学了），偏差、方差的权衡，还有特征选择，模型选择，混合模型等等知识，这些知识像砖头、水泥 ...
分类：
其他好文 时间：
2016-07-13 11:43:42
阅读次数：
164
