Machine learning XGBoost功能更重要，精确度更低_Machine Learning_Xgboost_Feature Selection_Feature Engineering

Machine learning XGBoost功能更重要，精确度更低

machine-learning

Machine learning XGBoost功能更重要，精确度更低,machine-learning,xgboost,feature-selection,feature-engineering,Machine Learning,Xgboost,Feature Selection,Feature Engineering,我的型号f1、f2、f3、f4、f5和f6有六个功能。特征重要性得分是有序的 f1>f2>f3>f4>f5>f6 但具有特征f1、f4和f5的模型的rmse小于具有特征f1、f2、f3、f4、f5和f6的模型或具有特征f1、f2、f3的模型的rmse。有什么可能的原因吗？没有数据很难猜测。然而，这通常是由相关特征造成的。因此，如果将f2==f1添加到已包含f1的模型中，则不会提供任何值。但是，添加一个不相关的功能，例如f4可以增加很多，即使如此f2>f1您

我的型号f1、f2、f3、f4、f5和f6有六个功能。特征重要性得分是有序的

f1>f2>f3>f4>f5>f6

但具有特征

f1、f4和f5

的模型的rmse小于具有特征

f1、f2、f3、f4、f5和f6

的模型或具有特征

f1、f2、f3

的模型的rmse。有什么可能的原因吗？

没有数据很难猜测。然而，这通常是由相关特征造成的。

因此，如果将

f2==f1

添加到已包含

f1

的模型中，则不会提供任何值。但是，添加一个不相关的功能，例如

f4

可以增加很多，即使如此

f2>f1

您的问题在准确性和准确性之间切换时，比必要时更难理解rmse@CAFEBABE对不起，那是个打字错误，我不知道我怎么会错过itOkay，所以这不是添加所有功能增加rmse的任何规则或理由，这取决于数据。