你將認識降維的概念，並學會何時、為什麼需要降維。你會了解特徵選擇與特徵擷取的差異，並在資料探索中實作這兩種技術。章節最後會介紹 t-SNE，一種強大的特徵擷取技術，能幫你將高維度資料集可視化。

導論

找出資料集的維度數量

移除沒有變異的特徵

特徵選擇 vs. 特徵萃取

以視覺化方式偵測冗餘特徵

特徵選擇的優點

高維度資料的 t-SNE 視覺化

t-SNE 的直覺

將 t-SNE 套用到 ANSUR 資料

以 t-SNE 視覺化維度

高維度資料探索

在特徵選擇的兩個章節之首，你會學到維度詛咒，以及降維如何幫助你克服它。你將認識多種技巧，用來偵測並移除對資料集幾乎沒有增益的特徵——可能因為變異很小、遺漏值太多，或與其他特徵高度相關。

維度詛咒

訓練集－測試集切分

訓練與測試模型

降維後的準確率

含遺漏值或變異極小的特徵

尋找合適的變異數門檻

低變異特徵

移除遺漏值很多的特徵

成對相關性

檢視相關係數矩陣

視覺化相關矩陣

移除高度相關的特徵

篩除高度相關的特徵

核能與游泳池溺水

特徵選擇 I——以特徵資訊為準

在特徵選擇的第二個章節，你將學會如何讓模型協助你找出對預測特定目標特徵最重要的那些特徵。在本章最後一課中，你會綜合多個不同模型的建議，來決定哪些特徵值得保留。

針對模型效能進行特徵選擇

建立糖尿病分類器

手動遞迴式特徵消除（RFE）

自動化遞迴式特徵刪減

基於樹的特徵選擇

建立隨機森林模型

使用隨機森林進行特徵選擇

使用隨機森林的遞迴式特徵刪除（RFE）

正則化線性迴歸

建立 LASSO 迴歸器

Lasso 模型結果

調整正規化強度

整合特徵選擇器

建立 LassoCV 迴歸器

用整體式模型多投幾票

結合 3 種特徵選擇器

特徵選擇 II——以模型準確度為準

本章將深入探討最常用的降維演算法——主成分分析（PCA）。你會建立對此演算法的直覺理解，知道它為何強大，並在資料探索與建模流程的前處理中加以應用。最後，會以影像壓縮的有趣案例作結。

特徵擷取

手動特徵擷取 I

手動特徵擷取 II

主成分直覺

主成分分析（PCA）

計算主成分

在較大型資料集上執行 PCA

PCA 解釋變異

PCA 的應用

理解各主成分

用 PCA 做特徵探索

模型管線中的 PCA

主成分選擇（Principal Component selection）

選擇要保留的變異比例

選擇主成分的數量

用 PCA 進行影像壓縮

恭喜！

Diabetes

Pokemon

Grocery store sales

Boston Public Schools

ANSUR Female

ANSUR Male

高維度的資料集常讓人不知從何下手。通常你會先用視覺化方式探索新資料集，但當維度過多，傳統方法就顯得不足。所幸，有一些專門為高維度資料設計的視覺化技巧，你會在本課程中認識它們。探索資料後，你常會發現許多特徵幾乎不帶資訊，因為沒有變異，或只是其他特徵的重複。你會學到如何偵測這些特徵並將其自資料集中移除，讓你能專注在有資訊量的特徵上。接著，你可能會想用這些特徵來建立模型，而結果可能顯示部分特徵對你要預測的目標毫無影響。你也會學到如何偵測並刪除這些無關特徵，以降低維度並減少複雜度。最後，你會學到特徵擷取技術如何透過計算互不相關的主成分來為你降維。

Supervised Learning with scikit-learn

學習在Python中通過檢測並刪除數據集中的特徵來降低維度，專注於有用的特徵。

Python 的降維

學會如何在 Python 中降低資料維度，掌握常用降維技巧。

機器學習科學家 使用 Python

Head of Machine Learning, Faktion

為模型效能選擇特徵

Ansur 資料集範例

資料前處理

建立邏輯斯迴歸模型

檢視特徵係數

對模型貢獻小的特徵

遞迴式特徵刪除（RFE）

檢視 RFE 結果

一起來練習吧！

特徵選擇 II——以模型準確度為準 - 針對模型效能進行特徵選擇

針對模型效能進行特徵選擇

Create Your Free Account