章节
问答
课签
笔记
评论
占位
占位
今日不再显示

下一节课程: 模型评估:逻辑回归、混淆矩阵、召回率、F1分数(2) (23:02) 下一节 重新观看

3 秒后播放下一节

为你推荐

flare_zhao
算法工程师

深圳微埃智能科技有限公司人工智能算法总监(深度学习、时间序列预测、图像分割、目标检测)、联合创始人;金融二级市场量化分析师;精通python、深度学习算法开发 深圳市海外高层次人才、宝安区高层次人才; 澳大利亚新南威尔士大学博士

提问题

写笔记

代码语言
公开笔记
提交
加群二维码

打开微信扫码自动绑定

您还未绑定服务号

绑定后可得到

  • · 粉丝专属优惠福利
  • · 大咖直播交流干货
  • · 课程更新,问题答复提醒
  • · 账号支付安全提醒

收藏课程后,能更快找到我哦~

使用 Ctrl+D 可将课程添加到书签

邀请您关注公众号
关注后,及时获悉本课程动态

举报

0/150
提交
取消
全部 精华 我要发布

最新回答 / 幕布斯8123072
打不开。。。<...图片...>

最新回答 / 慕圣456208
https://wws.lanzous.com/i8oI2kviwub密码:b4h4

最赞回答 / 992493631
归根结底是为了预测分类,不是在具体讲解某一种训练模型。

已采纳回答 / flare_zhao
通常来说,如果特征本身不是很多,那可以考虑把所有的特征都放入模型,这通常可能提高你的模型表现,缺点就是可能导致过拟合,即对新数据的预测不够准确。从已有特征中挑选特征的方式可以考虑:1、基于经验,即根据主观经验挑选影响比较大的特征,比如预测疾病可能性,那年龄肯定是一个因素;2、对比有某一个特征与没有某个特征情况下,模型的表现,判断该特征的重要性。
全部 我要发布
最热 最新
只看我的

本次提问将花费2个积分

你的积分不足,无法发表

为什么扣积分?

本次提问将花费2个积分

继续发表请点击 "确定"

为什么扣积分?

账号登录 验证码登录

遇到问题
忘记密码

代码语言