【问题标题】：Explain feature interaction vs feature correlation解释特征交互与特征相关
【发布时间】：2020-03-06 01:10:04
【问题描述】：

我对机器学习范式中提到的术语感到困惑？任何人都可以在这里发表一些善意的回应吗？我会很感激你的。。

【问题讨论】：

标签： machine-learning linear-regression feature-extraction feature-selection

【解决方案1】：

特征相关

表示某些特征 X1 和 X2 相互依赖，而与目标预测 Y 无关。换句话说，我们可以说，如果我增加 X1 的值，那么 X2 也会增加或减少例如：特征（人的身高（X1），体重（X2）和人的预测变量RunningSpeed（Y））。所以如果我们增加身高，那么显然体重也会增加。

功能交互

另一方面，我们的模型根据独立特征 X1 和 X2 输出预测。换句话说，我们可以说如果仅选择 X1 将是我们的输出，或者如果仅选择 X2 将输出什么，或者如果选择 X1 + X2 的 combination 将是什么预测。这种组合定义了特征之间的相互作用。这样的组合可以是(+,-,*,/)。例如：房屋大小（X1）、房屋位置（X2）和价格（预测 Y）。正如我们所见，X1 和 X2 彼此不相关，但它们都有助于预测房价。

【讨论】：

X1 + X2 不是特征交互："In general, a feature interaction is any non-additive effect between multiple features on an outcome." X1*X2 或 sin(X1+X2) 会。