說明
1、通過特征本身的方差來篩選特征。特征的方差越小，特征的變化越不明顯。
2、變化越不明顯的特征對我們區分標簽沒有太大作用，因此應該消除這些特征。
實例
def variance_demo():
"""
過濾低方差特征
:return:
"""
# 1. 獲取數據
data = pd.read_csv('factor_returns.csv')
data = data.iloc[:, 1:-2]
print('data:\n', data)
# 2. 實例化一個轉換器類
transfer = VarianceThreshold(threshold=10)
# 3. 調用fit_transform()
data_new = transfer.fit_transform(data)
print('data_new:\n', data_new, data_new.shape)
return None
知識點擴充：
方差過濾法
VarianceThreshold 是特征選擇的一個簡單基本方法,其原理在于–底方差的特征的預測效果往往不好。而VarianceThreshold會移除所有那些方差不滿足一些閾值的特征。默認情況下，它將會移除所有的零方差特征，即那些在所有的樣本上的取值均不變的特征。
sklearn中的VarianceThreshold類中重要參數 threshold（方差的閾值），表示刪除所有方差小于threshold的特征 #不填默認為0——刪除所有記錄相同的特征。
import pandas as pd
import numpy as np
np.random.seed(1) #設置隨機種子，實現每次生成的隨機數矩陣都一樣
a= np.random.randint(0, 200,10)
b= np.random.randint(0, 200,10)
c= np.random.randint(0, 200,10)
d= [9,9,9,9,9,9,9,9,9,9]
data=pd.DataFrame({"A" : a,"B" : b,"C" : c,"D" : d})
data
from sklearn.feature_selection import VarianceThreshold
sel_model = VarianceThreshold(threshold = 0)
#刪除不合格特征之后的新矩陣
sel_model.fit_transform(data)
到此這篇關于Python方差特征過濾的實例分析的文章就介紹到這了,更多相關Python方差特征過濾的實現內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！
