特征工程优化

参考链接

https://www.bilibili.com/video/BV1WN4y1k7R1/?buvid=XU0E30D0C6006B7F1EE1425156434CFEC440F\&from_spmid=tm.recommend.0.0\&is_story_h5=false\&mid=fMtk7pz9LsVpSyGt0Mcizg%3D%3D\&p=1\&plat_id=116\&share_from=ugc\&share_medium=android\&share_plat=android\&share_session_id=b580ad13-0b4d-452f-94f5-5c54827a0dd6\&share_source=WEIXIN\&share_tag=s_i\&spmid=united.player-video-detail.0.0\&timestamp=1698372933\&unique_k=GEAv0mL\&up_id=431850986

一、介绍特征工程

特征工程是将数据转换为能够更好地表示潜在问题的特征,从而提高机器学习性能的过程。

使用场景:任何阶段得到数据。

优点:更好地表示潜在问题,提高性能。

缺点:特征找的不准备导致模型效果不好。

二、建模工作

数据的清洗和组织是特征工程的主要部分。

三、特征工程的重要性

数据和特征决定了机器学习的上线,而模型和算法只是逼近了这个上线。

四、特征工程前期工作

五、数据转换

具体方法:

归一化、标准化、对数转换、反余切函数转换、Box-Cox变换、L2-Norm变换等等。

六、特征筛选

通过特征筛选找到最相关和最有价值的特征,构建更简化和高效的模型,无关的、冗余的或噪声特征需从数据中剔除。

七、总结

特征工程复杂,需对数据十分了解,先总体分析再逐个分析特征比较节约时间。对单个特征和多个特征进行分析,然后从中找到不同特征之间或与目标特征的相关性,再进行筛选,得到的有效特征的概率会大一些。分析完后需对每个特征进行处理,如缺失值和异常值处理、归一化处理等等。总之,如果特征工程处理的很好,模型结果也会相对好一些。

相关推荐
胡斌附体2 分钟前
linux测试端口是否可被外部访问
linux·运维·服务器·python·测试·端口测试·临时服务器
likeGhee43 分钟前
python缓存装饰器实现方案
开发语言·python·缓存
项目題供诗1 小时前
黑马python(二十五)
开发语言·python
读书点滴1 小时前
笨方法学python -练习14
java·前端·python
笑衬人心。1 小时前
Ubuntu 22.04 修改默认 Python 版本为 Python3 笔记
笔记·python·ubuntu
蛋仔聊测试1 小时前
Playwright 中 Page 对象的常用方法详解
python
前端付豪2 小时前
17、自动化才是正义:用 Python 接管你的日常琐事
后端·python
jioulongzi2 小时前
记录一次莫名奇妙的跨域502(badgateway)错误
开发语言·python
破无差2 小时前
python实现简单的地图绘制与标记20250705
python
喜欢吃豆3 小时前
目前最火的agent方向-A2A快速实战构建(二): AutoGen模型集成指南:从OpenAI到本地部署的全场景LLM解决方案
后端·python·深度学习·flask·大模型