推 otosaka: 什麼長頸鹿果實 明明就牛牛果實長頸鹿型態
→ Miltonn: 樓上 是馬馬果實吧
推 spritepeare: 樓上 是牛==
推 acer2265848: 樓上是羊
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 1.171.175.207
※ 文章網址: https://www.ptt.cc/bbs/DataScience/M.1556446774.A.ADD.html
※ 編輯: woogee (1.171.175.207), 04/28/2019 18:27:44
推 ruokcnn: Feature engineering就是trial and error 04/28 19:46
→ ruokcnn: 分類樹不會知道身高跟體重有bmi的關係 04/28 19:47
→ ruokcnn: 想無腦創變數就把你學過的所有數學轉換都丟進去 04/28 19:47
→ ruokcnn: 看importance有沒有差 04/28 19:47
→ ruokcnn: 但2的命中率可能會很低就是了 04/28 19:48
→ ruokcnn: 你創了100個變數 每個都是noise是有可能的 04/28 19:49
→ ruokcnn: 不試試不會知道的 04/28 19:49
→ ruokcnn: 最後還是要回應bmi那段 分類樹不是神啊 04/28 19:50
→ ruokcnn: 他不會自動幫你把各種變數做非線性轉換的 04/28 19:51
了解,意思是先做BMI確實有意義但機會很渺茫囉?
推 ruokcnn: 渺茫與否看你要預測啥 bmi應該一行code就可以解決 04/29 12:08
→ ruokcnn: 成本很低蠻值得試試的? 04/29 12:08
謝謝你,我瞭解了,公式都不難實現,只是公式種類極多(至少100種+)
常見的是有package可用這部分會試試看,感謝
※ 編輯: woogee (1.171.175.207), 04/29/2019 14:51:58
推 tipsofwarren: 我認為會,bmi 不是w h 的線性組合 04/29 21:04
推 tipsofwarren: bmi 可以算是推論得到的 latent variable 04/29 22:48
推 numpy: 換個角度想的話,BMI對我們是一個很通用且可以對一個人的身 04/30 01:09
→ numpy: 材做基本估量的標準,但是不見得對於你要做的預測是最有用 04/30 01:09
→ numpy: 的feature,比如說身高的平方如果換成別的次方有可能表現還 04/30 01:09
→ numpy: 更好,但沒試過都不會知道。 04/30 01:09
推 VIATOR: BMI基本上就身高體重簡單計算出來的結果 04/30 04:35
→ VIATOR: 感覺不會有太大的幫助 04/30 04:36
→ VIATOR: 到底有沒有幫助可能要試才知道,但感覺機會很渺茫 04/30 04:38
推 goldflower: bmi的解釋也是人自創的一種metric而已 如果你要最小 04/30 15:35
→ goldflower: 化的函數跟這個值沒直接關係我是不覺得能改善多少 04/30 15:35
→ goldflower: 你可以用lightgbm啦 比xgboost快很多 04/30 15:37
推 westercc: 從know-how角度看轉bmi是解釋得通,這也可以視為是種降 05/03 11:11
→ westercc: 維(2個轉1個),增加正確率其實不太客觀,應該要減少in o 05/03 11:11
→ westercc: ut error的差距才較好,若是用身高與體重當作變數去訓練 05/03 11:11
→ westercc: ,有可能會有離群值導致overfitting,而轉成了bmi是有機 05/03 11:11
→ westercc: 會減少離群值的數量,但這需要觀察身高、體重、bmi的分 05/03 11:11
→ westercc: 布,如果轉bmi後準確率降低,但in out error差距變小, 05/03 11:11
→ westercc: 這也是可以接受的結果 05/03 11:11