8.特征选择

用过滤法对以下数据进行特征选择：
                              [[0,2,0,3],
                              [0,1,4,3],
                              [0,1,1,3]]
要求：
1、Variance Threshold（threshold =1.0）
2、将结果截图放上来（没有条件的备注说明原因）注意：每个人的电脑ID是不一样的

# 非监督：降维：减少要考虑的特征数量，维度就相当于特征
# 两种：1、特征选择、2、主成分分析
# 1、特征选择，包括：A过滤式 B嵌入式  优中选优，在选出来的数据特征中找到更好的数据特征
# A过滤式：删除低方差特征
# B嵌入式：正则化、决策树、神经网络

# 解析作业要求：用过滤式方法减少要考虑的特征
# 步骤：找到其特征中方差较低的特征，原因：这样的特征的数据值差不多，会造成数据冗余或者对数据预测结果有影响
# threshold可以取0-9之内的数
# 库和模型：sklearn.feature_selection.VarianceThreshold 删除低方差特征
# 流程：初始化->赋值->调用fit_transform

from sklearn.feature_selection import VarianceThreshold
import numpy as np
def var():
    data=[[0,2,0,3],
          [0,1,4,3],
          [0,1,1,3]]
    print("原样本数据：",data)
    var=VarianceThreshold(threshold=1.0)  #初始化+指定阈值方差,方差<1就会被删掉
    data_fit=var.fit_transform(data)
    print("过滤式选择特征后数据
",data_fit)
    return None
if __name__=="__main__":
    var()

运行结果：

 验证其方差小于1的特征是否真的被删除了

从上图可知：除了第三列的特征值的方差大于1之外，其他的都小于1，所以最后小于1的被删除了，大于1的被留下了。