特征工程

Momentum：SQUEEZE（挤压动量指标）技术指标详解SQUEEZE（挤压动量指标，全称TTM Squeeze）是由知名交易员John Carter在其著作《Mastering the Trade》（第11章）中正式推出的一种高级波动率与动量复合指标。该指标通过结合**布林带（Bollinger Bands）与肯特纳通道（Keltner Channels）**的特性，精准捕捉趋势启动前的蓄势阶段，旨在识别波动率收缩之后的爆发性行情。

Overlap：SLOPE（线性回归斜率）技术指标详解SLOPE（线性回归斜率）是一种基于统计学线性回归理论的趋势技术指标。它通过计算给定时间段内价格序列的最小二乘线性回归线的斜率，来衡量价格变化的速率和方向。

Momentum：RVGI（相对活力指数）技术指标详解RVGI（Relative Vigor Index，相对活力指数）是由John Ehlers开发的一种动量震荡指标，用于衡量趋势的强度和延续可能性。RVGI与随机振荡器（Stochastic Oscillator）在公式上具有相似性，常被视为其“近亲”。

Momentum：QQE（定量定性估计）技术指标详解QQE（Quantitative Qualitative Estimation，定量定性估计指标）是一种基于RSI（相对强弱指数）的动量指标，由原始版本经过Roman Ignatov（2006年）、Tim Hyder（2008年）及EarnForex团队（2010年）等多次改进而成，并在MQL4/MQL5交易平台上广泛应用。

Momentum：PSL（心理线指标）技术指标详解PSL（Psychological Line，心理线指标）是一种动量震荡指标，用于衡量在特定周期内上涨周期数占总周期数的比例，通常表现为百分比形式。该指标反映市场买方力量相对于卖方力量的强弱程度。

Volume：PVO（百分比成交量震荡指标）技术指标详解PVO（Percentage Volume Oscillator，百分比成交量震荡指标）是一种基于成交量的动量指标，通过计算两条不同周期成交量移动平均线之间的百分比差异来衡量成交量的动能变化。

Momentum：CTI（相关趋势指标）技术指标详解CTI（Correlation Trend Indicator，相关趋势指标）是由著名技术分析师、数字信号处理专家John Ehlers于2020年在《股票与商品期货技术分析》（Stocks & Commodities）杂志上正式发表的一种新型动量震荡指标。

Momentum：CFO（钱德预测震荡指标）技术指标详解CFO（Chande Forecast Oscillator，钱德预测震荡指标）是由著名技术分析师、量化交易专家Tushar Chande于20世纪90年代开发的一种动量震荡指标。Chande曾开发出多个知名技术指标（如钱德动量摆动指标CMO），CFO是其研究成果中的重要组成部分。

Momentum：BRAR（人气意愿指标）技术指标详解BRAR（又称人气意愿指标、情绪指标）是由两个独立但紧密关联的技术指标——AR（人气指标）和BR（意愿指标）共同组成的分析工具。该指标源于日本，其设计思想蕴含东方“气”的哲学——“气极则衰，衰极则盛”，旨在通过衡量市场买卖双方的力量对比来预测股价的未来走势。

提示词极简艺术：用最少 Token，榨干 LLM 极限输出能力AI 提示词不再是随便写一句话，而是用极简 Token、精准意图定义，撬动大模型输出专业、结构化、可直接落地的内容。本文结合 CSDN「AI 提示词极限赛」核心理念，拆解极简 Prompt 设计底层逻辑、通用模板、业务场景落地技巧、Token 压缩方法论，附带可直接复用的万能精简提示词模板，帮助开发者告别长篇啰嗦指令，用最少输入拿到顶级输出效果。关键词：AI 提示词极限赛；Prompt 工程；Token 优化；LLM 极简调用；大模型高效交互

机器学习特征工程：缩放、编码、聚合、嵌入与自动化好模型的秘诀不在于更花哨的算法，而在于更好的特征。多数机器学习算法对尺度敏感。一个取值范围在0到1,000,000的列，会在训练中压制一个取值范围仅0到1的列。

【分箱进阶篇】分箱的工程细节：从训练到部署的完整模式基础篇参考：【分箱基础篇】pandas 分箱双子星：pd.cut 与 pd.qcut我们在基础篇讲了 pd.cut 和 pd.qcut 各自怎么用。但在实际项目里，分箱不是调一次函数就完事的。通常来说，训练集上算出来的切分点要保存下来，测试集和线上推断要复用同一套切分点，还要处理各种边界情况。

特征工程完整流程：从数据清洗到自动化特征生成的艺术目录摘要1 引言：为什么特征工程是机器学习项目的决定性因素1.1 特征工程的核心价值定位1.2 特征工程技术演进路线

机器学习特征工程：分类变量的数值化处理方法编码是机器学习流程里最容易被低估的环节之一，模型没办法直接处理文本形式的分类数据，尺寸（Small/Medium/Large）、颜色（Red/Blue/Green）、城市、支付方式等都是典型的分类特征，必须转成数值才能输入到模型中。

使用 tsfresh 和 AutoML 进行时间序列特征工程时间序列无处不在，心电图上的心跳、股票价格、家庭智能电表读数，甚至句子中词语——这些都是时间序列。它们的特殊之处在于顺序：过去影响未来，相邻的数据点往往高度相关。

Node-RED:制造业：预测性维护系统——用 Node-RED 让设备“开口说话”三年前，我们在一家汽车零部件厂遇到难题：一台进口 CNC 机床突发主轴故障，停机 72 小时，损失超 200 万。事后分析发现：振动值在故障前 5 天已持续异常，但没人关注。

机器学习时间特征处理：循环编码（Cyclical Encoding）与其在预测模型中的应用做过电力负荷预测或者交通预测朋友，大概率都处理过时间特征。这里最直接的做法通常是把时间（比如分钟或小时）直接扔进模型里。这看起来逻辑自洽，但存在这一个大坑，就是“午夜悖论”。

其美杰布-富贵-李

数据清理与特征工程完整指南在机器学习和深度学习项目中，数据预处理通常占据 60-80% 的时间，这是因为：原始数据往往不可直接使用

饕餮怪程序猿

寻找数据中的“真相”：零基础入门关键特征筛选方法想象一下，你正试图预测明天是否会下雨。你手头有成百上千条信息：面对如此庞杂的信息，你会如何下手？你可能会本能地觉得，温度、湿度、气压和云层类型这些信息很重要，而猫咪打呼噜和蒲公英的数量似乎与下雨没什么关系。你的这种“直觉”，本质上就是在进行“特征筛选”——从所有可用的信息中，找出那些对预测目标（明天下雨与否）真正有用的“关键特征”。

Java 大视界 -- Java 大数据机器学习模型在电商用户流失预测与留存策略制定中的应用嘿，亲爱的 Java 和大数据爱好者们，大家好！我是CSDN（全区域）四榜榜首青云交！在《大数据新视界》和《 Java 大视界》专栏的探索之旅中，我们已见证 Java 大数据在多个领域的惊艳表现。如今，在竞争白热化的电商战场，用户流失成为企业利润的 “隐形杀手”。Java 大数据与机器学习将如何携手，为电商企业筑起用户留存的 “数字长城”？让我们一同探寻答案。