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
精灵vector2 分钟前
【Agentic】通过LangGrah实现RAG评分和重写
python
狗都不学爬虫_6 分钟前
JS逆向 - (国外)SHEIN站 - 请求头(armorToken、Anti-in)
javascript·python·ajax·网络爬虫·wasm
一百天成为python专家20 分钟前
K-近邻算法
数据结构·python·算法·pandas·近邻算法·ipython·python3.11
这儿有一堆花21 分钟前
Python程序打包成EXE完全指南:四种方法详解与实战
python
微小冷29 分钟前
Vimba相机二次开发教程,基于Python
开发语言·python·二次开发·相机开发·vimba相机·vimba
java1234_小锋43 分钟前
【NLP舆情分析】基于python微博舆情分析可视化系统(flask+pandas+echarts) 视频教程 - 热词数量分析日期统计功能实现
python·自然语言处理·flask
山烛1 小时前
KNN 算法中的各种距离:从原理到应用
人工智能·python·算法·机器学习·knn·k近邻算法·距离公式
guozhetao1 小时前
【ST表、倍增】P7167 [eJOI 2020] Fountain (Day1)
java·c++·python·算法·leetcode·深度优先·图论
墨染点香1 小时前
第七章 Pytorch构建模型详解【构建CIFAR10模型结构】
人工智能·pytorch·python
阿什么名字不会重复呢2 小时前
在线工具+网页平台来学习和操作Python与Excel相关技能
python·数据分析