我正在使用Scikit Learn的决策树对数据集进行回归。 我得到了非常好的结果，但是我担心的一个问题是，许多功能的相对不确定性非常高 我试图放弃具有高度不确定性的案例，但这会显着降低模型的性能。
这些特征本身是通过实验确定的，因此它们具有相关的实验不确定性。数据本身并不嘈杂。
所以我的问题，是否有一种很好的方法将与功能相关的不确定性纳入机器学习算法？
感谢您的帮助！
答案 0 :(得分：2)
如果不确定的特征正在改进建议一起使用的算法，那么它们是有用的。但是，其中一些可能不是。我的建议是摆脱那些没有改进算法的功能。您可以使用贪婪的特征消除算法。
http://scikit-learn.org/stable/modules/generated/sklearn.feature_selection.RFE.html
首先训练模型中所有特征的模型，然后摆脱被认为最不实用的特征。它再次训练模型，但少了一个功能。
希望有所帮助