特征选择就是单纯地从提取到的所有特征中选择部分特征作为训练集特征，特征在选择前和选择后可以改变值、也可以不改变值，但是选择后的特征维数肯定比选择前小，毕竟我们只选择了其中的一部分特征
输出：[[2, 0 ], [1, 4], [1, 1]]
1 from sklearn.feature_selection import VarianceThreshold 2 3 4 # 数据降维，特征选择 5 def var(): 6 """方差特征选择，删除低方差的特征""" 7 v = VarianceThreshold(threshold=0.0) # 参数大小根据实际情况 8 data = v.fit_transform([[0,2,0,3],[0,1,4,3],[0,1,1,3]]) 9 print(data) 10 11 12 if __name__ == ‘__main__‘: 13 var()
PCA是一种分析、简化数据集的技术
是数据维数压缩，尽可能降低原数据的的维数（复杂度），损失少量信息
可以削减回归分析或者聚类分析中特征的数量
特征之间通常是线性相关的
1 from sklearn.decomposition import PCA 2 3 4 def pca(): 5 """主成分分析，进行数据降维""" 6 pca = PCA(n_components=0.9) 7 data = pca.fit_transform([[2,8,4,5],[6,3,0,8],[5,4,9,1]]) 8 print(data) 9 10 11 if __name__ == ‘__main__‘: 12 pca()
原文：https://www.cnblogs.com/springionic/p/11766277.html