特征工程-数据降维

天池入门赛- 新闻推荐-task4-特征工程

特征工程和数据清洗转换是比赛中至关重要的一块，因为数据和特征决定了机器学习的上限，而算法和模型只是逼近这个上限而已，所以特征工程的好坏往往决定着最后的结果，特征工程可以一步增强数据的表达能力，通过构造新特征
qq_41768189·2023-01-20 17:57

Recommend News Baseline

赛题理解赛题理解是切入一道赛题的基础，会影响后续特征工程和模型构建等各种工作，也影响着后续发展工作的方向，正确了解赛题背后的思想以及赛题业务逻辑的清晰，有利于花费更少时间构建更为有效的特征模型，在各种比赛中
Gocara·2023-01-20 17:25

特征工程--理解

构造特征的思路是这样，我们知道每个用户的点击文章是与其历史点击的文章信息是有很大关联的，比如同一个主题，相似等等。所以特征构造这块很重要的一系列特征是要结合用户的历史点击文章信息。我们已经得到了每个用户及点击候选文章的两列的一个数据集，而我们的目的是要预测最后一次点击的文章，比较自然的一个思路就是和其最后几次点击的文章产生关系，这样既考虑了其历史点击文章信息，又得离最后一次点击较近，因为新闻很大的
容光@October·2023-01-20 17:24

时间序列分析方法汇总

自己写的ARIMA文章时间序列分解法自己写了一点文字介绍时间序列分解法特征工程时间序列的特征工程可参考这
白炎灵·2023-01-20 13:22

机器学习分类模型评价指标详述

问题建模机器学习解决问题的通用流程：问题建模——特征工程——模型选择——模型融合其中问题建模主要包括：设定评估指标，选择样本，交叉验证解决一个机器学习问题都是从问题建模开始，首先需要收集问题的资料，深入理解问题
chenyiming2010·2023-01-20 13:06

PCA原理学习及实战应用

属于数据降维的方法中的
胖胖的飞象·2023-01-20 05:00

3.5 特征提取和降维

特征提取用于提升模型的表示能力数据降维主要是在不减少模型准确率的情况下减少数据的特征数量1.主成分分析（PCA）在多元统计分析中，主成分分析是一种分析、简化数据及、提取主要成分的技术。
大桃子技术·2023-01-20 05:59

PCA和LDA进行数据降维

DimensionalityReductionPCA和LDA进行数据降维使用PCA对数据进行降维，我们使用两种方式：直接按数学推导的方式实现PCA使用sklearn实现PCA利用降维后的特征进行逻辑回归分类代码使用
AI_Younger_Man·2023-01-20 05:28

机器学习（8）——特征工程（2）

而特征提取和降维，则是对原始数据特征进行相应的数据变换，并且通常会选择比原始特征数量少的特征，同时达到数据降维的
WHJ226·2023-01-20 05:54

模糊粗糙集及数据降维

目录经典集合定义子集运算并集交集补集模糊集理论定义运算模糊交集模糊并集模糊补集模糊关系及合成近似推理.去模糊化模糊-粗糙集理论模糊等价类模糊粗糙集模糊粗糙集数据降维模糊粗糙集快速约简经典集合定义当前有n
不见辰兮·2023-01-20 01:01

金融风控训练营Task6打卡

spm=5176.20850282.J_3678908510.4.f2984d57kCveJd一、学习知识点概要理解赛题、EDA探索性数据分析、特征工程、建模与调参、模型融合二、学习内容本次学习有
orange_zz_zz_zz·2023-01-19 20:16

AI训练营金融风控—05模型融合打卡

notebook-阿里云天池回顾：AI训练营金融风控—01赛题理解打卡_宇宙高能量者的博客-CSDN博客AI训练营金融风控—02EDA探索性数据分析打卡_宇宙高能量者的博客-CSDN博客AI训练营金融风控—03特征工程打卡
宇宙高能量者·2023-01-19 20:45

AI训练营金融风控—06学习赛：贷款违约预测打卡

notebook-阿里云天池回顾：AI训练营金融风控—01赛题理解打卡_宇宙高能量者的博客-CSDN博客AI训练营金融风控—02EDA探索性数据分析打卡_宇宙高能量者的博客-CSDN博客AI训练营金融风控—03特征工程打卡
宇宙高能量者·2023-01-19 20:44

AI训练营金融风控—03特征工程打卡

本学习笔记为阿里金融风控训练营的学习内容，学习链接为：AI训练营金融风控-阿里云天池我的完整笔记为：AI训练营金融风控—03特征工程_天池notebook-阿里云天池回顾：AI训练营金融风控—01赛题理解打卡
宇宙高能量者·2023-01-19 20:14

天池龙珠数据挖掘训练营 Task1 学习笔记（赛题理解）

天池龙珠数据挖掘训练营学习笔记天池龙珠数据挖掘训练营Task1学习笔记（赛题理解）天池龙珠数据挖掘训练营Task2学习笔记（数据分析）天池龙珠数据挖掘训练营Task3学习笔记（特征工程）天池龙珠数据挖掘训练营
cndrip·2023-01-19 20:43

AI训练营金融风控—04建模与调参打卡

notebook-阿里云天池回顾：AI训练营金融风控—01赛题理解打卡_宇宙高能量者的博客-CSDN博客AI训练营金融风控—02EDA探索性数据分析打卡_宇宙高能量者的博客-CSDN博客AI训练营金融风控—03特征工程打卡
宇宙高能量者·2023-01-19 20:39

kaggle竞赛——桑坦德银行客户满意度预测（三）

特征工程1、新特征提取我们读取一下之前保存的pickle文件并打印出此时的train和test，前面的探索性分析过程我们保留了143个特征，接下来我们还希望在这些特征中提取出一些隐藏的信息。
云流寂川·2023-01-19 19:28

讯飞-糖尿病遗传风险检测挑战赛

分析字段类型每一列数据的类型int和float类型数据的描述性统计2.3字段相关性2.4小结三、逻辑回归尝试3.1使用名义变量重构糖尿病家族史和性别3.2处理缺失值3.3网格搜索查找最佳超参数3.4初步评分四、特征工程
月息黎·2023-01-19 17:31

数据挖掘--糖尿病遗传风险检测

文章目录赛事背景数据特征介绍数据处理导入数据并查看分析数据数据清洗特征工程构建模型建立训练数据集和测试数据集构建模型赛事背景截至2022年，中国糖尿病患者近1.3亿。
Nobitaxi·2023-01-19 17:30

糖尿病遗传风险检测挑战赛（Coggle 30 Days of ML）

本次跟着Coggle30DaysofML学习算法竞赛，而不是基于现成baseline来操作，预计重新熟悉并学习Pandas、Numpy处理数据Sklearn、LightGBM模型使用构建特征工程、筛选特征
数据求学家·2023-01-19 17:59

竞赛打卡：糖尿病遗传风险检测挑战赛

在本次学习中我们将学习特征工程、特征筛选和模型调参过程。赛题地址：比赛地址赛题介绍在这次比赛中，您需要通过训练数据集构建糖
hihalue·2023-01-19 17:25

【参赛记录】糖尿病遗传风险预测

】糖尿病遗传风险预测一、选题背景二、题目任务2.1数据集字段说明2.2训练集说明2.3测试集说明三、评估指标四、数据分析和处理4.1缺失值和异常值分析缺失值异常值4.2主成分分析4.3相关性分析4.4特征工程和数据预处理五
Ace2NoU·2023-01-19 17:55

吴恩达机器学习Day3

帮助你看到你的成本J在每次大下降迭代后的变化；通过这学习曲线可以发现梯度下降是否收敛；成本函数J有时上升有时下降，表明梯度下降不能正常工作；可能是学习率α过大；可以适当调小学习率；学习率：按比例慢慢调；特征工程
Tezzz·2023-01-19 12:12

这9个特征工程的使用技巧，解决90%机器学习问题

因此，出现了对特征工程的需求。特征工程至少有两个目标，构建适合机器学习算法要求的输入数据。改善机器学习模型的性能。
我爱Python数据挖掘·2023-01-19 12:41

特征工程之连续/离散特征的处理

离散特征：1.无序离散特征：one-hotencoding，比如所属国家、城市(1)无序离散特征：one-hotencoding，比如所属国家，城市。(1)如果one-hot之后unique值不多可以不用做Embedding，(2)但是如果该特征unique值过多，比如所属国家、城市，onehot产生的矩阵过宽，这种情况下，我们的通常做法就是将其转换为embedding。(2)也可以先做Label
人鱼线·2023-01-18 22:50

机器学习（一）机器学习的流程以及部分概念简介

文章目录机器学习的流程以及部分概念简介step1.明确需求，具体要做什么务必要明确step2.首先得获取数据，数据的获取有如下途径：step3.对数据进行基本处理step4.特征工程(很重要)1.简介：
南方惆怅客·2023-01-18 20:59

【4 - 降维算法PCA和SVD - 案例部分】菜菜sklearn机器学习

《菜菜的机器学习sklearn课堂》_哔哩哔哩_bilibili第一期：sklearn入门&决策树在sklearn中的实现第二期：随机森林在sklearn中的实现第三期：sklearn中的数据预处理和特征工程第四期
如何原谅奋力过但无声·2023-01-18 15:37

新闻推荐系统Task1

赛题理解赛题理解是切入一道赛题的基础，会影响后续特征工程和模型构建等各种工作，也影响着后续发展工作的方向，正确了解赛题背后的思想以及赛题业务逻辑的清晰，有利于花费更少时间构建更为有效的特征模型，在各种比赛中
爱吃肉爱睡觉的Esther·2023-01-18 15:37

【4 - 降维算法PCA和SVD - 原理部分】菜菜sklearn机器学习

《菜菜的机器学习sklearn课堂》_哔哩哔哩_bilibili第一期：sklearn入门&决策树在sklearn中的实现第二期：随机森林在sklearn中的实现第三期：sklearn中的数据预处理和特征工程第四期
如何原谅奋力过但无声·2023-01-18 15:36

机器学习练习篇day01

答：机器学习的工作流程是1获取数据2数据基本处理3特征工程4模型训练5模型评估每一步的内容1获取数据:搜集与完成机器学习任务相关的数据集,比方说,要预测房价,那就要收集房屋面积,朝向,临街与否等影响房价的数据集
小郭plus·2023-01-18 14:15

机器学习-day1

@day1人工智能阶段机器学习三天深度学习三天量化交易四天传统的机器学习算法机器学习概述、特征工程1天分类算法1天``回归算法、聚类1天机器学习概述1.1人工智能概述达特茅斯会议-人工智能的起点机器学习是人工智能的一个实现途径深度学习是机器学习的一个方法发展而来
爱吃肉的鸽子·2023-01-18 14:12

大数据分案例-基于随机森林算法构建返乡人群预测模型

如果文章对你有帮助的话，欢迎评论点赞收藏加关注+目录1.项目背景2.项目简介2.1研究目的及意义2.2研究方法与思路2.3技术工具3.算法原理4.项目实施步骤4.1理解数据4.2探索性数据分析4.3数据预处理4.4特征工程
艾派森·2023-01-17 22:59

基于sklearn随机森林算法探究肥胖的成因

目录项目背景数据介绍数据来源属性介绍算法介绍随机森林算法决策树随机森林定义随机森林构建过程随机森林算法评价随机森林算法的发展现状及趋势实验步骤1.导入模块与数据2.查看数据3.数据预处理4.可视化分析5.特征工程
艾派森·2023-01-17 22:58

特征工程----特征的重要性分析

1.问题来源在很多生活工作中，我们都要接触很多的系统：包括输入、响应、输出，输入和输出是可以直观看到的，但响应有时是很难用数学表达的。如果已知一系列的输入和输出，输出出现问题时，怎么去分析哪一个输入出了问题呢？这时引入我们的话题-特征的重要性分析。特征的重要性：什么特征对预测的影响最大。2.算法
追梦苦旅·2023-01-17 21:22

NLP基础——词表示、文本特征工程

WordRepresentation:独热编码，tf-idf2.Word2Vec2.1WordEmbedding2.2GaussianEmbedding2.3ContextualEmbedding3.文本特征工程
快乐小码农·2023-01-17 18:04

神经网络（ANN）

再啰嗦一句，特征工程＋LR
你看起来很好吃·2023-01-17 16:45

机器学习基础-数据降维

http://blog.itpub.net/29829936/viewspace-2643140/2019-05-0110:06:00首先需要了解下：什么叫做数据降维，为什么要对数据进行降维，如果不做降维处理会出现哪些问题
喜欢打酱油的老鸟·2023-01-17 15:03

机器学习——基础知识(1)

机器学习文章目录机器学习基础知识模型拟合程度常见的模型指标模型特征工程基础知识统计学习或机器学习一般包括监督学习、无监督学习、强化学习。有时还包括半监督学习、主动学习。
Aure219·2023-01-16 17:06

机器学习—深度神经网络

深度学习计算方法损失函数Softmax分类器前向传播和反向传播神经网络整体架构神经元个数对结果的影响正则化与激活函数神经网络过拟合解决方法机器学习流程：数据获取、特征工程（难度）、建立模型、评估与应用特征工程的作用数据特征决定了模型的上限
阿楷不当程序员·2023-01-16 10:18

【3 - 特征工程】菜菜sklearn机器学习

《菜菜的机器学习sklearn课堂》_哔哩哔哩_bilibili第一期：sklearn入门&决策树在sklearn中的实现第二期：随机森林在sklearn中的实现第三期：sklearn中的数据预处理和特征工程第四期
如何原谅奋力过但无声·2023-01-16 06:02

python之sklearn依赖库安装常见问题解决方案

机器学习的开发基本分为六个步骤，1）获取数据，2）数据处理，3）特征工程，4）机器学习的算法训练（设计模型），5）模型评估，6）应用。Q2:最开始弄第三方库s
CON_FREECSS·2023-01-15 18:45

机器学习模型 知乎_【机器学习】模型融合方法概述

我理解的Kaggle比赛中提高成绩主要有3个地方特征工程调参模型融合之前每次打比赛都只做了前两部分，最后的模型融合就是简单的加权平均，对于进阶的Stacking方法一直没尝试，这几天摸索了一下还是把Stacking
weixin_39753397·2023-01-15 18:41

kaggle——泰坦尼克之灾2

1、流程就这个案例来讲，导入数据之后要做的，分为3步走：1、观察数据，了解特征的含义以及与生存率的关系，方便做特征工程2、特征工程&数据清洗，这一步是为了得到一个可以用于训练的好且完整的数据。
andyham·2023-01-15 16:49

深度学习 10 神经网络简介

机器学习主要通过算法直接进行推断,而深度学习主要通过神经网络对各种算法进行加权,然后汇总得出结论.2.常用的激活函数:tanh函数relu函数leakyrelu函数1.1深度学习介绍1.1.1区别机器学习的特征工程步骤是要靠手动完成的
处女座_三月·2023-01-15 09:23

随机森林项目实战---气温预测

2.分析数据样本量与特征个数对结果的影响，在保证算法一致的前提下，增加样本个数，观察结果变化，重新进行特征工程，引入新的特征后，观察结果走势。
羊咩咩咩咩咩·2023-01-14 23:51

如何做特征筛选

工作中做模型，首先很重要的一步就是特征工程，包括特征编码、特征归一、特征筛选等。这里聊一下工作中常用的做特征筛选的方法。
Just Jump·2023-01-14 19:29

金融风控04

特征工程Filter1）移除低方差特征假设某特征的特征值只有0和1，并且在所有输入样本中，95%的实例的该特征取值都是1，那就可以认为这个特征作用不大。如果100%都是1，那这个特征就没意义了。
非畅6 1·2023-01-14 12:56

监督学习的特征工程处理方法

监督学习的特征工程1.什么是特征工程&数值预处理2.特征选择定义&方法3.特征提取定义&方法4.特征关联定义&方法请从超链接中自行获取资源，会持续更新，尽请关注，感谢！
汽车电子打工者·2023-01-14 12:49

图像特征工程

文章目录一、介绍二、特征提取的方法1HOG2LBP3SIFT三、特征转换一、介绍图像特征工程是图像处理中的一个重要环节，是将图像转换为计算机可以理解的数值特征的过程，通过对图像特征检测后，还可以使用其他算法
Naturino·2023-01-14 10:38

因子分析用Python怎么做？

大家好，我是小z数据分析中，主成分分析（PCA）是被大家熟知的数据降维方法。而因子分析和主成分分析是非常相似的两种方法，他们都属于多元统计分析里的降维方法。
数据不吹牛·2023-01-14 10:29
上一页 19 20 21 22 23 24 25 26 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他