1樓：衛龍大麵筋
少年，你在說pca麼。其實一些無監督演算法都可以做這個工作，就是要清楚，你要哪個cluster。監督演算法，可以配合ranking使用，實測有效。
2樓：美氣
1、通過方差篩選：sklearn中的VarianceThreshold類可以用來做方差選擇
2、卡方檢驗：sklearn中的chi2類可以用來做卡方檢驗3、互資訊：sklearn中的mutual_info_classif(分類)和mutual_info_regression(回歸)來計算各個輸入特徵和輸出值之間的互資訊
4、sklearn的SelectFromModel函式
3樓：
Young：kaggle | Machine Learning for Insights Challenge
我這個日誌的主要內容從kaggle的乙個教學帖子學來的，這裡分析特徵重要性有關的三個python工具庫：eli5, pdpbox, shap
這幾個工具可以方便的表達出：Permuation Importance，Partial Dependence Plots，SHAP Values，Summary Plots
4樓：鋼的弦
1.樹模型，建立好模型以後，看那個屬性里根節點越近則越重要。模型會自帶一些輸出重要屬性的方法。
2.線性模型，模型一般可以直接輸出引數，引數越大越重要。
3.利用互資訊等類似的方法可以做，sklearn有，scipy裡面也有。
5. sklearn有乙個feature_select模組可以做特徵選擇。sklearn庫裡面其實基本的都可以搞定。
6.xgb，lightgbm 這些開源庫也可以做。
機器學習中有哪些方法可以提高穩定性？
簡單說幾個吧 1 增加資料，在我看來這是最有效的方法。但是現實中並不一定可行。2 選擇更robust的模型，比如random forest等。3 增加regularization，很可能模型複雜度過高，捕捉到了過多的噪音。4 對資料處理，比如PCA降噪，data augmentation增加魯棒性。...
有沒有依靠 小資料 學習的機器學習分支
努力上進的碼農 我也曾思考過同樣的問題。小資料集下可能存在很大的bias，效能不錯的模型必須有一定假設。個人覺得這個情況下生成模型會比判別模型效果好。樓主可以參考學習下貝葉斯體系下生成模型，變分推斷，近似推斷等等。雖然這些方法都有做了很強的假設，而且會 腦補 一些沒有看到資料，但是這個不就是在小資料...
精靈寶可夢中有沒有代表某個國家特徵的寶可夢？
說乙個不知道算不算冷門的。大蔥鴨，北京烤鴨，中國 花舞鳥 紅的弗拉明戈西班牙 黃的拉拉隊美國 粉的草裙舞夏威夷 紫的歌舞伎日本 磨牙彩皮魚 原型夏威夷州魚 具甲武者 典型的日本武士形象 紙御劍 原型日本刀 鐵火輝夜 輝夜姬，日本神話 芳香精 法國香水 康康舞 甲賀忍蛙 忍者 鋼羊巖牛草鹿水驢 三個火...