machine-learning - 删除重要特征后再构建一个模型
问题描述
我们建立了一个数据科学模型并观察特征的重要性。如果我们放弃特征并建立一个新模型,准确性会有所提高吗?我只看到一个优点是模型的消费者只能传递有限的参数来获得预测。还有其他优点吗?
解决方案
是的!更少的参数意味着更快的学习和更快的预测。正确完成,这也意味着过度拟合数据的可能性较小。
推荐阅读
- ruby-on-rails - 'parseHasMany - 未找到关系 x 的模型类型' - 如何使用 Angular2-jsonapi 将嵌套 JSON 映射到模型
- javascript - 使用 React 钩子获取 setState 未定义 no-undef 错误
- node.js - 查询在 mongoshell 中工作,但在 nodejs 中不工作
- php - 无效的凭据 adldap2/adldap2-laravel 包
- python - [Py 2/3 迁移]:如何在 py3 中验证类方法类型?
- python - 如何沿列轴连接具有不同索引的两个数据框
- php - 如何使用 put.re api 上传视频(使用 CURL)
- google-sheets-formula - 按涉及其他 2 个范围的条件计算范围
- caching - 关于数据库缓存的说明
- android - 我们在哪里可以获得所有可以使用的 fontfamily 列表,而无需在 Flutter 中从外部导入它?