交叉验证是分类中的特征选择
Cross Validation is Feature Selecting in Classification
我正在观看这个 video 来自著名的 Stat Learning 入门课程，内容是在特征选择中进行交叉验证。
教授们说我们应该在进行任何模型拟合和特征选择之前先形成褶皱。他们还说，在每次拆分中，我们最终可能会得到一组不同的 "best predictors"
我的问题是，如果是这种情况，我们如何确定未来使用的总体最佳预测因子。换句话说，如果我有一组新数据，我怎么知道我应该使用哪些预测变量？
使用同一套功能以备将来使用。是的，有一个 trade-off 所选择的功能可能会随着时间而改变。但通常那些与之前选择的功能一起使用。 但重要的是用于特征选择的初始数据应该足够好，样本数量足够多，这样它几乎可以反映问题的所有情况。 如果是这种情况，通常情况下，所选择的特征对于新的测试数据也不会改变那么多。
我正在观看这个 video 来自著名的 Stat Learning 入门课程，内容是在特征选择中进行交叉验证。
教授们说我们应该在进行任何模型拟合和特征选择之前先形成褶皱。他们还说，在每次拆分中，我们最终可能会得到一组不同的 "best predictors"
我的问题是，如果是这种情况，我们如何确定未来使用的总体最佳预测因子。换句话说，如果我有一组新数据，我怎么知道我应该使用哪些预测变量？
使用同一套功能以备将来使用。是的，有一个 trade-off 所选择的功能可能会随着时间而改变。但通常那些与之前选择的功能一起使用。 但重要的是用于特征选择的初始数据应该足够好，样本数量足够多，这样它几乎可以反映问题的所有情况。 如果是这种情况，通常情况下，所选择的特征对于新的测试数据也不会改变那么多。