欄位太多模型算不動？五種「過濾法」幫你精準抓出數據裡的關鍵訊號
嘿，你曾經遇過這種狀況嗎？ 當你拿到一份資料集，滿心期待地想跑個機器學習模型，結果打開檔案一看——欄位（Features）多到要橫向捲動好幾秒才看得完。這時候，如果你直接把這幾百個欄位全部丟進模型裡，通常會發生兩件事：第一，你的電腦風扇開始狂轉，模型跑得比烏龜還慢；第二，預測結果爛得一塌糊塗，因為裡面充斥著太多無關的「雜訊」。
閱讀文章 →#特徵選擇
共 3 篇文章
【特徵選擇-包裝法】SFS序列特徵選擇法
麥特在攻讀研究所的時候，對於特徵工程領域有非常強烈的興趣，所以搜尋到Sequential Feature Selector序列特徵選擇法這項特徵選擇技術，而其中又有不同的改良方法，我在撰寫碩士論文的內容中，就有使用到序列特徵選擇法來進行特徵的挑選，也讓最後建立的模型有不錯的表現。
閱讀文章 →
RFE 遞迴特徵消除法全攻略：如何透過特徵工程提升機器學習準確率？
想提升模型準確率？本文教你如何使用 RFE (Recursive Feature Elimination) 遞迴特徵消除法。作為特徵工程中強大的包裝法 (Wrapper method) 技術，RFE 能自動篩選重要變數、優化特徵選擇並降低過擬合。適合程式初學者搭配 Python Scikit-learn 實作。
閱讀文章 →