Tag: feature-selection
-
【AI 核心深度 M2-091】在神经网络中如何评估特征重要性？与树模型的方法有何不同？（Evaluating Feature Importance in Neural Networks vs Tree Models）深度数理推导与工程落地解析
用梯度/输入×梯度、置换、消融、或注意力/门控；比树模型更贵且更不稳定，需多种子重复。
-
【AI 核心深度 M2-069】解释多重共线性下的特征选择策略（Feature Selection Strategies Under Severe Multicollinearity）深度数理推导与工程落地解析
共线特征可任选其一或用正则（L2/EN）保留组信息；不宜按 p 值逐个删。
-
【AI 核心深度 M2-070】如何评估特征选择的效果？需要注意什么（How to Evaluate Feature Selection Effectiveness? Key Considerations and Validation）深度数理推导与工程落地解析
用嵌套 CV 评估，避免在同一份数据上选择又评估；关注性能-特征数权衡与稳定性。
-
【AI 核心深度 M2-067】比较过滤式、包裹式与嵌入式特征选择（Comparing Filter, Wrapper, and Embedded Feature Selection Methods）深度数理推导与工程落地解析
过滤式按统计量排序（快但忽略模型）；包裹式按模型性能搜索（准但贵）；嵌入式在训练中选（如 L1/树重要度）。
-
【AI 核心深度 M2-068】为什么“去掉无用特征”有时反而降低性能？（Why Can Removing ‘Useless Features’ Sometimes Degrade Model Performance?）深度数理推导与工程落地解析
特征间存在交互与冗余；单看边际重要性会低估协同特征，且删特征可能破坏模型稳定性。