使用回归学习软件进行特征选择和特征转换
调查反应图的特征
在回归学习者中，使用响应图来尝试识别对预测响应有用的预测因子。以形象化不同预测因素与反应之间的关系，在轴，选择不同的变量X列表。
在训练回归模型之前，响应图显示训练数据。如果您训练了一个回归模型，那么响应图也显示了模型预测。
观察哪些变量与响应关联最清楚。当你绘制carbig数据集，预测器马力与回应有明显的负相关。
寻找与响应和使用没有任何关联的特性特征选择
将这些特性从使用的预测器集中删除。
您可以将您在应用程序中创建的响应图导出为图形。看到在回归学习者应用程序中导出图．
选择要包含的功能
在回归学习器中，您可以指定模型中包含的不同特征(或预测器)。看看是否可以通过删除预测能力低的特征来改进模型。如果数据收集非常昂贵或困难，您可能更喜欢使用较少预测器执行令人满意的模型。
在回归的学习者选项卡,特性部分中,点击特征选择
．在Feature Selection对话框中，清除要排除的预测器的复选框，然后单击好吧．
点击火车用新的预测选项训练一个新的模型。
观察新模型模型窗格。的当前模型的总结窗格显示排除了多少预测器。
检查训练模型中包含哪些预测因子。中单击模型模型窗格并查看Feature Selection窗口中的复选框。
尝试通过包含不同的特性来改进模型。
有关使用特性选择的示例，请参见使用回归学习程序训练回归树．
用主成分分析在回归学习中转换特征
使用主成分分析(PCA)降低预测空间的维数。降低维度可以在回归学习者中创建回归模型，帮助防止过拟合。PCA线性变换预测器以去除冗余维数，并生成一组称为主成分的新变量。
在回归的学习者选项卡,特性部分中,选择主成分分析．
在“高级PCA选项”对话框中，选择使主成分分析复选框，然后单击好吧．
点击火车一次。的
主成分分析函数在训练模型之前转换选定的特性。默认情况下，PCA只保留那些能解释95%方差的组件。在“高级PCA选项”对话框中，您可以通过选择解释的方差价值。较高的值存在过拟合的风险，而较低的值存在删除有用维度的风险。
手动限制PCA组件的数量。在组件降低标准列表中,选择
指定组件数量．选择数字分量数价值。组件的数量不能大于数值预测器的数量。PCA不适用于分类预测。
您可以检查PCA选项中的训练模型当前模型的总结窗格。例如:
主成分分析保留了足够多的成分来解释95%的方差。训练结束后，保留2个部分。每个成分的解释方差(按顺序):92.5%，5.3%，1.7%，0.5%
要了解更多关于回归学习器如何将PCA应用到您的数据，请为您训练过的回归模型生成代码。有关PCA的更多信息，请参见主成分分析函数。
相关的话题
你也可以从以下列表中选择一个网站:
