2024-10-05 12:28:12 发布
网友
我有一个带有9变量的时间序列数据。我从中发现了4个特征。 例如,我计算np.mean(), np.std(), np.var(), np.ptp()现在我的列从9变量扩展到36变量
9
np.mean(), np.std(), np.var(), np.ptp()
36
sklearn中提供的特征选择方法适用于单变量数据。所以当我将这些方法应用于多变量数据时,他们不会发现np.mean()是否比np.std()更好。他们只需从36个变量中找出最好的变量
sklearn
np.mean()
np.std()
所以我想知道,处理多元数据的正确方法应该是什么
让我先总结一下,确定我理解了你的问题。你有9个变量的时间序列数据,意味着你有9个长度为L的通道,所以一个形状为L x 9的矩阵,对吗?现在计算每个通道的4个特征,使其成为形状矩阵L x 36
L
L x 9
L x 36
例如sklearn.selectKBest所做的就是从36个特征向量中选择k个最佳特征。例如,如果k = 18,你会得到一个L x 18形状的矩阵。它选择了18个最好的特征
sklearn.selectKBest
k = 18
L x 18
你能详细说明一下你的问题和你想达到的目标吗?可能有密码
编辑:
查看选择了哪些功能的可能解决方案:
from sklearn.datasets import load_digits from sklearn.feature_selection import SelectKBest, chi2 X, y = load_digits(return_X_y=True) # X.shape = (1797, 64) kbest = SelectKBest(chi2, k=20) kbest.fit(X, y) X_new = kbest.transform(X) # X_new.shape = (1797, 20) selected_features = kbest.get_support() # Returns a mask of X.shape[1] array([False, False, False, False, False, True, True, False, False, False, False, False, False, True, False, False, False, False, False, True, True, True, False, False, False, False, True, False, True, False, True, False, False, True, True, False, False, False, False, False, False, True, True, True, True, False, True, False, False, False, False, False, False, False, True, False, False, False, True, False, False, True, True, False])
现在您只需要记住哪些特性对应于用true屏蔽的索引
true
灵感来源于SelectKBest(https://scikit-learn.org/stable/modules/generated/sklearn.feature_selection.SelectKBest.html#sklearn.feature_selection.SelectKBest)的sklearn文档
SelectKBest
让我先总结一下,确定我理解了你的问题。你有9个变量的时间序列数据,意味着你有9个长度为
L
的通道,所以一个形状为L x 9
的矩阵,对吗?现在计算每个通道的4个特征,使其成为形状矩阵L x 36
例如
sklearn.selectKBest
所做的就是从36个特征向量中选择k个最佳特征。例如,如果k = 18
,你会得到一个L x 18
形状的矩阵。它选择了18个最好的特征你能详细说明一下你的问题和你想达到的目标吗?可能有密码
编辑:
查看选择了哪些功能的可能解决方案:
现在您只需要记住哪些特性对应于用
true
屏蔽的索引灵感来源于
SelectKBest
(https://scikit-learn.org/stable/modules/generated/sklearn.feature_selection.SelectKBest.html#sklearn.feature_selection.SelectKBest)的sklearn文档相关问题 更多 >
编程相关推荐