基于回归学习器App的特征选择与特征转换
调查反应图中的特征
在回归学习者中，使用反应图来尝试识别对预测反应有用的预测因子。在以下条件下，将不同预测因子与反应之间的关系可视化X轴，在十列表。
在训练回归模型之前，响应图显示训练数据。如果您已经训练了回归模型，那么响应图也会显示模型预测。
观察哪些变量与反应关联最为明显。当你绘制卡比格数据集，预测器马力与反应呈明显的负相关。
寻找与响应和使用没有任何关联的特性特征选择
从使用的预测值集中删除这些特征。
您可以将在应用程序中创建的响应图导出为数字。看到了吗在回归学习者应用程序中导出绘图.
选择要包括的功能
在回归学习器中，可以指定要包含在模型中的不同特征（或预测值）。看看是否可以通过删除预测能力低的功能来改进模型。如果数据收集是昂贵或困难的，您可能更喜欢一个模型，表现令人满意的较少预测。
上回归学习者tab，在特征部分，单击特征选择
.在“要素选择”对话框中，清除要排除的预测值的复选框。
小费
可以关闭或移动“要素选择”对话框。您在对话框中所做的选择仍然保留。
点击列车使用新的预测器选项训练新模型。
观察汽车里的新车型模型窗格。这个当前模型摘要窗格显示排除了多少预测值。
检查训练模型中包含哪些预测因子。单击中的模型模型窗格并查看“要素选择”窗口中的复选框。
尝试通过包含不同的特性来改进模型。
有关使用特征选择的示例，请参见使用回归学习器App训练回归树.
回归学习中PCA变换特征的研究
利用主成分分析（PCA）对预测空间进行降维。降低维度可以在回归学习器中创建回归模型，帮助防止过度拟合。主成分分析（PCA）对预测因子进行线性变换，去除冗余维数，生成一组新的主成分变量。
上回归学习者tab，在特征节，选择主成分分析.
在“高级PCA选项”对话框中，选择启用PCA复选框。
可以关闭或移动“PCA”对话框。您在对话框中所做的选择仍然保留。
点击列车再一次。这个
主成分分析函数在训练模型之前变换选定的特征。默认情况下，PCA只保留解释95%方差的分量。在“主成分分析”对话框中，可以通过选择解释差异价值观。较高的值有过度拟合的风险，而较低的值有删除有用维度的风险。
手动限制PCA组件的数量。在成分还原准则列表，选择
指定组件数量. 选择数值元件数量价值观。组件的数量不能大于数字预测器的数量。主成分分析不适用于分类预测。
您可以在中检查训练模型的PCA选项当前模型摘要窗格。例如：
主成分分析保留了足够的成分来解释95%的变异。训练后，保留2个组件。每个成分的解释差异（按顺序）：92.5%，5.3%，1.7%，0.5%
要进一步了解回归学习者如何将PCA应用于数据，请为经过训练的回归模型生成代码。有关PCA的更多信息，请参阅主成分分析功能。
相关主题
也可以从以下列表中选择网站：
