特征分析（ACE）

ACE（Alternating Conditional Expectation）是一种在回归分析中寻找响应变量Y（标签）与预测变量X（特征）之间最佳转换的算法，这些（转换后的）预测变量和（转换后的）响应变量之间产生最大的线性效应。ACE分析只支持回归类任务。

1. 在JupyterLab环境编辑区域，“选择数据”代码框下方单击“数据探索”。
2. 选择“特征分析”页签。
3. 在左侧目录树上单击“ACE”。
4. 设置“标签列”、“列名”、“特征列变换初始化方法”等参数，具体参数说明如表3所示。

   表3 参数说明

   参数	参数说明
   标签列	响应变量，单击“”选择标签列，仅支持单列选择。
   列名	预测变量，单击“”选择列名，支持多列选择。
   特征列变换初始化方法	ACE分析时，特征列的初始化方式，支持如下特征列变换初始化方法： zeros 表示0作为初始值。 zero-mean 表示将特征值减去均值后的值作为初始值。 std 表示将特征值减去均值再除以方差后的值作为初始值。
   标签列变换初始化方法	ACE分析时，标签列的初始化方式，支持如下标签列变换初始化方法： zero-mean std
   迭代误差容忍度	迭代终止条件，当迭代误差达到“迭代误差容忍度”值时，终止迭代。默认值为“0.001”。
   最大迭代次数	迭代终止条件，当迭代次数达到“最大迭代次数”时，终止迭代。默认值为“100”。 “迭代误差容忍度”和“最大迭代次数”无论哪个先满足，迭代都会终止。
   近邻样本数	算法迭代过程中，需要求解到每个点的近邻数量，默认值为“100”。
   是否使用kd-tree	是否使用k-维树来搜索近邻数。k-维树是一种分割k维数据空间的数据结构。
   	提交分析请求。
   	提交分析任务至分析完成期间，可单击此按钮终止分析任务。
   	截取ACE分析图。用户可以另存图片至本地使用。
   	清空界面上ACE分析截图。

5. 单击“分析”。

   分析完成后右侧展示分析结果图，可单击“保存至特征工程”将分析结果图保存到JupyterLab环境编辑区域。