Gracias por la A2A
Es posible que no pueda “ponderar” una función durante la tarea de clasificación en sí. Eso en esencia perturba el aprendizaje. Sin embargo, como alternativa, puede hacer otra cosa.
Es productivo estudiar cuáles de sus características ayudan a su tarea de clasificación y cuáles no. En los modelos lineales, las características redundantes tienden a retrasar la convergencia.
- ¿Qué área de IA y aprendizaje profundo es útil para vehículos autónomos?
- ¿Cuándo y dónde se usaron por primera vez los términos 'aprendizaje profundo', 'aprendizaje automático', 'ciencia de datos'?
- Cómo comenzar con el modelado predictivo
- ¿Tiene sentido usar redes neuronales convolucionales en la identificación biométrica humana basada en ECG?
- ¿Cuál es el proceso paso a paso para aplicar el aprendizaje automático en el trabajo (desde el procesamiento de la entrada hasta la etapa final)?
Python tiene un espectro de métodos para hacer esto. En general, si ha escalado bien sus características (si tienen escalas de medición diferentes) y se ha asegurado de que haya una buena variación, debe tener un buen conjunto.
En la documentación de Scikit
1.13. Selección de características
El método más cercano a lo que usted habla podría ser la eliminación de funciones recursivas (RFE). Puede evaluar de forma recursiva conjuntos de características más pequeños hasta que se alcance el número óptimo de características. De manera figurativa, sabrá qué características omitir, si las métricas de clasificación de precisión son consistentes incluso sin ellas. ¡Buena suerte!
