第章特征选择与降维 .pptx

;本章主要介绍特征选择和降维技术，作为数据挖掘工程中的重要环节，两种技术都可以提升模型的性能、可用性或模型运行效率，也是深入理解数据、梳理建模思路的重要过程。

;学完本课程后，您将能够：

完整的理解特征选择和降维技术在整个数据挖掘过程中意义和常规方法；

能够区分特征选择和降维对建模的意义，对大规模特征维度的建模有明确的思路和处理方法；

深入的理解特征和模型的关系。

;特征选择

特征选择概述

Filter

Wrapper

Embedded

其他方法和特征扩增

降维

;基本概念(1);基本概念(2);特征来源;特征选择的定义;为什么要进行特征选择;特征选择的原则;常见特征选择方法;三种常见方法简介;特征选择

特征选择概述

Filter

Wrapper

Embedded

其他方法和特征扩增

降维

;Filter(1);Filter(2);Filter-方差选择法;Filter-相关系数法(1);Filter-相关系数法(2);Filter-相关系数法(3);Filter-相关系数法(4);Filter-相关系数法(5);Filter-卡方检验(1);Filter-卡方检验(2);Filter-卡方检验(3);Filter-卡方检验(4);Filter-卡方检验(5);Filter-卡方检验(6);Filter-互信息法(1);Filter-互信息法(2);Filter-互信息法(3);Filter-互信息法(4);Filter方法小结(1);Filter方法小结(2);特征选择

特征选择概述

Filter

Wrapper

Embedded

其他方法和特征扩增

降维

;基于模型的特征选择方法介绍;Wrapper;Wrapper-递归特征消除法(1);Wrapper-递归特征消除法(2);Wrapper-递归特征消除法(3);Wrapper-递归特征消除法(4);Wrapper-递归特征消除法(5);Wrapper-递归特征消除法(6);特征选择

特征选择概述

Filter

Wrapper

Embedded

其他方法和特征扩增

降维

;Embedded(1);Embedded(2);Embedded-基于L1的正则化(1);Embedded-基于L1的正则化(2);Embedded-基于L1的正则化(3);Embedded-基于L1的正则化(4);Embedded-基于L1的正则化(5);Embedded-基于L1的正则化(6);Embedded-基于L1的正则化(7);Embedded-基于L1的正则化(8);Embedded-基于树的嵌入方法(1);Embedded-基于树的嵌入方法(2);Embedded-基于树的嵌入方法(3);Embedded-基于树的嵌入方法(4);Embedded-基于树的嵌入方法(5);特征选择

特征选择概述

Filter

Wrapper

Embedded

其他方法和特征扩增

降维

;特征选择的其他???路;特征扩增(1);特征扩增(2);特征扩增(3);特征选择小结(1);特征选择小结(2);（多选题）以下哪几个方法属于特征选择的Filter方法？()

A、互信息方法

B、相关系数法

C、卡方检验法

D、递归特征消除法

（简答题）什么是卡方检验？它适用于类型属性的特征选择？

（简答题）包装法相比过滤法有什么不同之处？

;特征选择

降维

降维导入

SVD

PCA

LDA

LLE

;降维;降维背景;常见降维方法(1);常见降维方法(2);降维方法总体理解(1);降维方法总体理解(2);特征选择

降维

降维导入

SVD

PCA

LDA

LLE

;SVD奇异值分解介绍(1);SVD奇异值分解介绍(2);SVD奇异值分解介绍(3);SVD奇异值分解应用示例;SVD的应用于推荐系统(1);SVD的应用于推荐系统(2);奇异值的计算效率问题;特征选择

降维

降维导入

SVD

PCA

LDA

LLE

;PCA介绍(1);PCA介绍(2);PCA算法流程;PCA优缺点;PCA算法使用方法(1);PCA算法使用方法(2);PCA原理演示(1);PCA原理演示(2);PCA原理演示(3);PCA原理演示(4);PCA原理演示(5);PCA原理演示(6);特征选择

降维

降维导入

SVD

PCA

LDA

LLE

;LDA介绍(1);LDA介绍(2);LDA算法流程(1);LDA算法流程(2);LDA算法优缺点;LDAVSPCA