1回答

途索

2020-04-22

同学你好，接下来对你的问题一一解答:
1，这里特征选择部分是否指用PCA LDA等合适的方式对数据降维。
pca和lda都是线性降维，主要目的还是为了缩减特征维度。如果特征本身比较少，降维可以不使用。对监督学习来说，很多时候，在很多模型里降维对最终的指标结果影响不是很大，但会影响计算效率；而非监督学习则建议多尝试，说不准会有意外收获。
2，这里是先做特征选择，在做特征处理（归一化、编码等），那一般顺序也是如此吗？
顺序没有一个确定规则，但大多数情况是先选择特征，再处理。但也有可能在处理后，有了新特征，再接着选。是个迭代的过程。
3.如果特征未经处理（比如存在低中高这种非数值），对特征选择的影响是什么？
没有处理的特征会加大特征选择的难度，比如a特征分布是0到10000，b特征分布是0到1，因为a特征分布广，所以看起来更重要，但如果归一化后，可以在同样范围的尺度评价他们对结果的影响究竟多大。更客观一些。

1

0