特征工程

【机器学习笔记Ⅰ】10 特征工程

特征工程（FeatureEngineering）详解特征工程是机器学习和数据科学中的核心环节，旨在通过对原始数据的转换、组合和提取，构建更适合模型的高质量特征。

·2025-07-10 20:49

基于大模型的急性出血坏死性胰腺炎预测技术方案

目录一、算法实现伪代码1.数据预处理与特征工程2.大模型训练（以Transformer为例）3.实时预测与动态调整二、模块流程图1.术前预测流程2.术中动态决策流程3.术后护理流程三、系统集成方案1.系统架构图

LCG元·2025-07-10 02:22

机器学习知识点复习上（保研、复试、面试）百面机器学习笔记

机器学习知识点复习上一、特征工程1.为什么需要对数值类型的特征做归一化？

·2025-07-08 20:36

Python 数据分析与可视化 Day 14 - 建模复盘 + 多模型评估对比（逻辑回归 vs 决策树）

掌握多模型对比评估的方法与实践输出综合对比报告：准确率、精确率、召回率、F1等指标为后续模型调优与扩展打下基础一、本周流程快速回顾步骤内容第1天高级数据操作（索引、透视、变形）第2天缺失值和异常值处理第3天多表合并与连接第4天特征工程

蓝婷儿·2025-07-07 08:21

Orange3机器学习建模和可视化分析数据预处理、特征工程、算法训练

它就像一个神奇的工具箱，你只要通过拖放组件就能完成机器学习建模和可视化分析，软件下载地址安装包它支持数据预处理、特征工程、算法训练和评估整个流程，就像一个贴心的管家，把数据挖掘的事儿全给你安排得明明白白

维度软件库·2025-07-05 17:06

Python Pandas 数据的体育数据处理和分析

PythonPandas数据的体育数据处理和分析关键词：PythonPandas,体育数据分析,数据清洗,数据可视化,特征工程,机器学习,体育统计摘要：本文将深入探讨如何使用PythonPandas库进行体育数据的处理和分析

Python编程之道·2025-07-05 03:34

【大模型面试】大模型Prompt Engineer面试题及参考答案

传统机器学习模型参数规模相对较小，往往针对特定任务进行设计和训练，需要较多人工特征工程。而大模型参数数量庞大，通过在

大模型知识·2025-07-04 10:37

深度学习 vs 传统机器学习：哪个更适合你的项目？

关键词：深度学习、传统机器学习、特征工程、数据量、计算资源、项目选择、算法对比摘要：本文将用"炒菜"和"拼图"等生活案例，从核心原理、适用场景、资源需求等维度对比深度学习与传统机器学习。

AI大模型应用之禅·2025-07-02 03:32

深度学习之基于Pytorch卷积神经网络人民币面值识别

传统的面值识别方法，如基于模板匹配或特征工程的方法，在面对复杂多变的图像环境时，往往难以达到理想的识别效果。随着深度学习技术的兴起，特别是卷积神经网络（ConvolutionalNeuralNetwo

Q1744828575·2025-07-01 09:27

Python 数据分析与可视化 Day 11 - 特征工程基础

✅今日目标理解特征工程在数据分析和机器学习中的意义掌握常见特征类型的处理方式：数值型、类别型、时间型学习特征提取、转换、标准化、独热编码（One-HotEncoding）等核心操作为后续建模任务做好特征准备工作一

蓝婷儿·2025-06-30 21:35

推荐算法特征工程实战：用户与物料动态画像构建指南

Jay Kay·2025-06-29 22:10

庙算兵棋推演AI开发初探（7-神经网络训练与评估概述）

再重复一遍【特征工程】与【神经网络】的区别：前者就像人发现了牛顿

超自然祈祷·2025-06-29 16:24

基于大模型的短暂性脑缺血发作（TIA）全流程预测与诊疗辅助系统技术方案大纲

系统核心目标构建多模态数据融合的TIA预测-干预-管理闭环，覆盖术前预警、术中决策、术后康复全周期二、系统架构模块1.术前预测模块高危人群筛查模型输入：电子健康记录(EHR)、基因数据、可穿戴设备实时监测特征工程

LCG元·2025-06-27 18:34

Sklearn 机器学习数值离散化虚拟编码

我是ThomasKant，很开心能在CSDN上与你们相遇～本博客的精华专栏：【自动化测试】【测试经验】【人工智能】【Python】Sklearn机器学习：数值离散化+虚拟编码实战详解在机器学习的特征工程中

Thomas Kant·2025-06-27 16:20

【机器学习的五大核心步骤】从零构建一个智能系统

目录一、数据处理：一切从“数据”开始✅常见数据源✅关键任务二、特征工程：从“数据”中提取“洞察”✅常用方法✅高阶技巧三、建立模型：从“算法”到“智能”✅模型类型✅常见算法✅模型训练四、评估迭代：没有反馈

·2025-06-27 06:08

使用随机森林实现目标检测

核心实现思路滑动窗口策略：在图像上滑动固定大小的窗口，对每个窗口进行分类多维特征提取：结合统计特征、纹理特征、边缘特征、形状特征等随机森林分类：训练二分类器判断窗口是否包含目标后处理优化：使用非极大值抑制减少重复检测特征工程的重要性

司南锤·2025-06-27 02:43

体育赛事大数据分析：AI模型对足球大小球预测的精度优化

以下从技术实现、数据策略、模型优化及挑战四个维度展开分析：1.数据来源与特征工程核心数据源结构化比赛数据：历史进球数、射门/射正率、控球率、角球、任意球、红黄牌、伤停球员等。

东奔西走的小喇叭·2025-06-26 23:19

Kaggle量化比赛复盘: Optiver - Trading at the Close

目录前言一、开源方案1.6th获奖方案(代码未开源)1.1.特征工程（关键代码）1.2.方案解析2.7th获奖方案(开源)2.1.特征工程2.2.特征工程3.9th获奖方案(半开源)3.1.特征构造3.2

熬夜造bug·2025-06-26 03:35

[KO机器学习] Day2 特征工程：数据预处理：序号编码、独热编码、二进制编码

场景描述类别型特征（categoricalfeature）主要是指性别（男女）、血型（A,B,AB,O）等只在有限选项内取值的特征。类别型特征原始输入通常是字符串形式，除了决策树等少数模型能直接处理字符串形式的输入，对于逻辑回归、支持向量机等模型来说，类别型特征必须经过处理转换成数值型特征才能正确工作。在对数据进行预处理时，应该怎么样处理类别型特征？难度：★☆☆☆☆①序号编码OrdinalEnco

码农男孩·2025-06-25 11:40

机器学习专栏（13）：数据探索三重奏——从地理热力图到特征工程的财富密码

目录导言：当数据点连成黄金海岸线一、地理可视化：数据中的加州淘金热1.1基础地理散点图1.2高密度区域透视术二、相关性解密：数字背后的财富公式2.1皮尔逊相关系数矩阵2.2非线性关系发现术三、特征炼金术：创造新的财富密码3.1特征组合公式库3.2相关性进化史四、异常数据猎手：揪出数据中的"叛徒"4.1价格天花板检测4.2时空异常检测五、工业级探索工具箱5.1自动化数据透视5.2探索流程checkl

Sonal_Lynn·2025-06-25 07:39

Python-日志检测异常行为的详细技术方案

以下是根据行为日志检测异常行为的详细技术方案，涵盖数据收集、特征工程、模型选择、部署与优化的全流程：1.数据收集与预处理1.1数据来源行为日志通常包括以下类型：用户行为日志：点击、登录、交易、页面停留时间等

·2025-06-20 21:57

简历模板1——王明 | 高级数据挖掘工程师 | 5年经验

email.com|深圳市GitHub|LinkedIn工作经历科技前沿集团|高级数据挖掘工程师2021.06-至今核心贡献：主导建立公司AI中台，整合10+业务线数据资源，支撑日均5亿+数据处理研发自适应特征工程框架

XiaoQiong.Zhang·2025-06-19 17:33

Python实例题：股票数据分析与预测系统

目录Python实例题题目问题描述解题思路关键代码框架难点分析Python实例题题目股票数据分析与预测系统问题描述开发一个股票数据分析系统，实现以下功能：从公开API获取股票历史数据对数据进行清洗和特征工程实现技术指标计算

狐凄·2025-06-19 00:07

深度学习入门指南：从基础概念到代码实践

与传统机器学习方法相比，深度学习能够自动从原始数据中学习特征表示，无需过多的人工特征工程。深度学习已经在计算机视觉、自然语言处理、语音识别等领域取得了突破性进展。

软考和人工智能学堂·2025-06-17 23:18

Pandas：让数据起舞的Python魔法手册

实战案例：电商销售分析全流程步骤1️⃣：数据加载与初探步骤2️⃣：数据清洗与特征工程步骤3️⃣：多维分析（揭示商业洞察）避坑指南：新手常见

xiaoqian9997·2025-06-16 16:17

Python领域数据挖掘的实战经验

Python领域数据挖掘的实战经验：从新手到高手的全流程指南关键词：数据挖掘、Python实战、数据清洗、特征工程、模型训练、评估优化、应用场景摘要：本文以“做蛋糕”为类比，用通俗易懂的语言拆解数据挖掘全流程

AI天才研究院·2025-06-16 06:44

边缘计算算法与自动驾驶安全优化实践

针对复杂行车场景，数据预处理与特征工程的双向协同显著优化了障碍物识别与路径规划的鲁棒性，结合F1值

智能计算研究中心·2025-06-14 13:06

《打造你的第一个数据挖掘工具：用 scikit-learn 快速原型开发与高效特征工程指南》

《打造你的第一个数据挖掘工具：用scikit-learn快速原型开发与高效特征工程指南》一、引言：当Python遇上数据挖掘从电商推荐、医疗预测，到工业预警与用户画像，数据挖掘已成为现代智能系统的核心。

清水白石008·2025-06-11 17:18

《从原始数据到精炼模型：用 Python 构建高效机器学习流水线的实战指南》

作为一名长期从事Python项目研发的开发者，我深知构建模型的挑战往往不在算法本身，而在数据的预处理、特征工程、验证逻辑与代码结构设计。本篇文章，我将分享一个

清水白石008·2025-06-11 17:18

BERT 模型微调与传统机器学习的对比

BERT微调与传统机器学习的区别和联系：传统机器学习流程传统机器学习处理文本分类通常包含以下步骤：特征工程：手动设计特征（如TF-IDF、词袋模型）模型训练：使用分类器（如SVM、随机森林、逻辑回归）特征和模型调优

MYH516·2025-06-11 11:05

机器学习专栏（36）：逻辑回归与Softmax回归全解析（附完整代码与可视化）

1.3实战案例：鸢尾花二分类二、模型训练：损失函数的艺术2.1对数损失函数解析2.2正则化实战技巧三、Softmax回归：多分类的终极武器3.1数学原理深度解析3.2多分类实战技巧四、工业级应用指南4.1特征工程黄金法则

Sonal_Lynn·2025-06-11 04:46

【特征工程】机器学习的特征构造和筛选

调研论文中，看到datafun的一篇agent文章“智能不够，知识来凑”——知识驱动的金融决策智能体，里面提到了自动因子挖掘，感觉可以用来做机器学习的“特征工程”。

·2025-06-10 15:34

可解释性医疗影像算法解析

本文通过系统性解构深度学习框架下的技术链条，揭示从数据标注、特征工程到模型评估的全流程透明度构建方法。

智能计算研究中心·2025-06-09 22:43

如何确定微服务的粒度与边界

本节将围绕实际架构经验，介绍粒度控制的判断方法，并结合AI场景中的模型服务、特征工程等模块，展示边界划定的关键策略。服务粒度过大与过小都不可取服务粒度是衡量每个微服务功能范围的指标。

·2025-06-09 21:37

Scikit-learn：开启量化价值投资的新征程

Scikit-learn：开启量化价值投资的新征程关键词：Scikit-learn、量化投资、价值投资、机器学习、特征工程、投资组合优化、金融数据分析摘要：本文深入探讨了如何利用Scikit-learn

量化价值投资入门到精通·2025-06-09 10:21

sklearn 和 pytorch tensorflow什么关系

生态中互补的机器学习库，但它们的定位和应用场景有明显区别：核心定位对比库主要定位抽象层级核心优势典型场景Scikit-learn传统机器学习（浅层模型）高简单易用、丰富的工具链数据预处理、分类/回归、特征工程

MYH516·2025-06-07 05:09

AI入门——AI大模型、深度学习、机器学习总结

超级-码力·2025-06-07 02:24

深度学习驱动的智能化革命：技术演进与跨行业实践

核心差异对比（表格）：维度传统AI深度学习特征工程人工设计自动提取可扩展性场景受限跨领域迁移数据依赖性低（规则明确）高（需大

accurater·2025-06-06 19:00

打卡第十八天

科研逻辑闭环：通过精度判断特征工程价值。在聚类分析中，特征工程的质

Shining_Jiang·2025-06-05 14:45

AI原生时代：智能推荐系统的架构设计与优化

文章涵盖从数据收集、特征工程、算法选择到系统优化的全流程，同时展望未来发展趋势和挑战。背景介绍目的和范围本

AI智能应用·2025-06-05 04:31

解锁C#机器学习的秘密——深入探讨数据预处理与特征工程

对于使用C#进行开发的工程师来说，掌握正确的数据预处理技术和特征工程技术是至关重要的。本文将带领读者深入了解C#中实现这些技术的具体方法，并提供详尽的代码示例来展示如何有效地提升模型性能。

墨夶·2025-06-04 20:34

python归一化互相关_python 特征工程归一化计算相关性矩阵

仙女山的仙女鹿·2025-06-03 08:32

用DeepSeek寻找适合数据科学学术论文方向，并用Deep reaserch快速初稿！

目录1.DeepSeek选择方向的优势2.ChatGPT辅助数据分析Kaggle埃姆斯市房价预测竞赛优秀方案分析摘要引言数据集描述特征工程深度学习方法实验与结果讨论结论参考文献大家好这里是学术Anan，

AIWritePaper智能写作探索·2025-06-02 23:27

python打卡day10

今日总结：数据集的划分机器学习模型建模的三行代码机器学习模型分类问题的评估预处理回顾1.导入库2.读取数据查看数据信息--理解数据3.缺失值处理4.异常值处理5.离散值处理6.删除无用列7.划分数据集8.特征工程

灯眠joy·2025-06-02 07:33

Spark MLlib模型—决策树系列算法

决策树系列算法决策树系列算法随机森林（RandomForest）GBDT(Gradient-boostedDecisionTrees)总结SparkMLlib模型—决策树系列算法前面我们重点介绍了机器学习中的特征工程

猫猫姐·2025-06-01 21:52

机器学习与深度学习04-逻辑回归02

目录前文回顾6.正则化在逻辑回归中的作用7.特征工程是什么8.逻辑回归的预测结果如何9.什么是ROC曲线和AUC值10.如何处理类不平衡问题11.什么是交叉验证前文回顾上一篇文章地址：链接6.正则化在逻辑回归中的作用逻辑回归中

my_q·2025-05-31 18:45

Kaggle-Binary Prediction with a Rainfall Dataset-(回归+特征工程+xgb)

BinaryPredictionwithaRainfallDataset题意：给你每天的天气信息，让你预测降雨量。数据处理：1.根据特征值构造天气降雨量的新特征值2.根据时间构造月和季节特征3.处理缺失值建立模型：1.建立lightgbm模型2.建立xgboost模型，并进行网格搜索最佳参数模型3.进行模型融合代码：importosimportsysimportwarningsimportnump

美少女zss·2025-05-31 12:00

Spark与朴素贝叶斯在股票市场预测中的应用及代码实战

项目涵盖了从原始股票数据的处理到模型训练的全过程，包括数据预处理、特征工程、模型训练和测试。所使用的数据文件包括原始股票数据、不同阶段的数据转换结果、数据平均值计算结果和测试数据集。

飞翔的袋鼠弟·2025-05-30 22:48

DAY 10 机器学习建模与评估

一、总体流程导库读取数据查看数据信息--理解数据补全缺失值处理异常值离散值处理删除无用列划分数据集特征工程模型训练模型评估模型保存模型预测二、导入需要的包importpandasaspd#用于数据处理和分析

acstdm·2025-05-30 21:41

基于大模型的重度膝关节骨关节炎全流程预测与治疗方案研究

适用于膝关节骨关节炎预测的大模型类型三、重度膝关节骨关节炎概述3.1疾病定义与分类3.2病因与发病机制3.3临床表现与诊断方法3.4现有治疗方法概述四、大模型预测重度膝关节骨关节炎的方法与模型构建4.1数据收集与预处理4.2特征工程

LCG元·2025-05-30 07:53

推荐频道