摘要： 1. 前向搜索 每次增量地从剩余未选中的特征选出一个加入特征集中，待达到阈值或者 时，从所有的 中选出错误率最小的。过程如下： 初始化特征集 为空。 扫描 从 到 如果第 个特征不在 中，那么特征 和 放在一起作为 (即 )。 在只使用 中特征的情况下，利用交叉验证来得到 的错误率。 从上步中得到的 阅读全文

摘要： 1.热力图heatmap seaborn.heatmap(data, vmin=None, vmax=None, cmap=None, center=None, robust=False, annot=None, fmt='.2g', annot_kws=None, linewidths=0, li 阅读全文

摘要： 一、正则化 1.L1/Lasso L1正则方法具有稀疏解的特性，因此天然具备特征选择的特性，但是要注意，L1没有选到的特征不代表不重要，原因是两个具有高相关性的特征可能只保留了一个，如果要确定哪个特征重要应再通过L2正则方法交叉检验。 举例：下面的例子在波士顿房价数据上运行了Lasso，其中参数al 阅读全文