特征工程第10页

利用深度蛋白质序列嵌入方法通过 Siamese neural network 对 virus-host PPIs 进行精准预测【Patterns，2022】

病毒感染可以导致多种组织特异性损伤，所以virus-hostPPIs的预测有助于新的治疗方法的研究；目前已有的一些virus-hostPPIs鉴定或预测方法效果有限（传统实验方法费时费力、计算方法要么基于蛋白结构或基因，要么基于手动特征工程的机器学习

@ZyuanZhang·2023-08-29 19:15

机器学习小白学习笔记：深度学习时序预测模型 Temporal Fusion Transformers

前言由于接触的时序预测问题基本都来自于数字化转型期的企业，我经常发现，在解决实际时序预测问题的时候，大部分时候还是用树模型结合特征工程的思路，关键点往往都在数据和特征工程上，如果想要使用深度学习，有时候客户的数据量不满足

MeetLight·2023-08-29 06:26

【辨析】投影到高维空间 VS 嵌入到高维空间

例如，在特征工程中，可以使用线性投影将原始低维特征映射到更高维的特征空间，从而提取更多的信息或增加数据的可分性。但是投影并

爱学习的书文·2023-08-28 19:52

sklearn：三、数据预处理与特征工程——8.20~23

三、数据预处理与特征工程由于面对现实问题时，其所给的数据往往都是比较拉跨的，所以这门技术就是在建模之前要该干的事情：数据预处理和特征工程；流程：提取/创造特征非常难，且大多数是基于经验的。

didi_official·2023-08-28 13:17

五、特征工程

1字典特征抽取字典数据抽取:把字典中一些类别的数据分别进行转换成特征。用到的代码是sklearn.feature_extraction.DictVectorizerfromsklearn.feature_extractionimportDictVectorizerdefdictvec():dict=DicVectorizer(sparse=False)#矩阵形式或者data.toarray()da

一闪一闪亮日日日日日日·2023-08-27 21:45

机器学习笔记 - 数据科学中基于 Scikit-Learn、Tensorflow、Pandas 和 Scipy的7种最常用的特征工程技术

坐望云起·2023-08-27 13:09

深入理解线性回归模型的评估与优化方法

文章目录引言模型评估方法均方误差（MSE）均方根误差（RMSE）绝对平均误差（MAE）模型优化策略特征工程正则化数据标准化代码演示疑问？

小馒头学python·2023-08-27 12:08

SparkML机器学习

机器学习的步骤:加载数据特征工程数据筛选:选取适合训练的特征列,例如用户id就不适合,因为它特性太显著.数据转化:将字符串的数据转化数据类型,因为模型训练的数据不能为字符串.将多个特征列转化为一个向量列

火玄·2023-08-26 19:03

3款EDA（数据探索分析）神器！

eda是数据分析必须的过程，用来查看变量统计特征，可以此为基础尝试做特征工程。东哥这次分享3个eda神器，其实之前每一个都分享过，这次把这三个工具包汇总到一起来介绍。

港城嘟嘟·2023-08-26 18:43

AI夏令营第三期用户新增挑战赛学习笔记

2.特征工程：数据可视化可以帮助我们选择和创建合适的特征。通过可视化特征与目标变量之间的关系，我们可以发现特征与目标之间的相关性、线性/非线性关系、重要性等信息，从而指导特征选择、变换和创建。

一起努力啊～·2023-08-26 15:55

谣言检测论文阅读

HeterogeneousGraphAttentionNetworksforEarlyDetectionofRumorsonTwitter（2021）主要使用异构的数据，解决的全局语义的问提，以提高检测结果1、存在方法目前存在的方法：早期的谣言检测方法大多是利用特征工程从文本内容用户画像以及传播模式中提取识别特征近来

鼓鼓06·2023-08-26 10:39

毕业设计医学数据分析人体肠道细菌数据分析

文章目录0前言1课题背景2.数据预处理导入工具包预处理缺失值情况3数据可视化4特征工程人工预先筛选最大信息系数MIC距离相关系数dcorr筛选MIC是0.04，dcorr是0.06逻辑关系是且(或也可以尝试

DanCheng-studio·2023-08-25 18:25

FATE学习：配置文件解析及V1/V2版本对比

在DSL中，各种模块（例如数据读写data_io，特征工程feature-engineering，回归regression，分类classification）可以通向一个有向无环图（DAG）组织起来。

喵十八·2023-08-24 20:51

机器学习算法的选择和优化技巧

文章目录机器学习算法的选择1.问题类型：2.数据规模：3.特征空间：4.数据质量：机器学习算法的优化技巧1.特征工程：2.超参数调优：3.集成方法：4.模型调优：代码示例：超参数调优拓展：深度学习中的优化技巧结论欢迎来到

IT·陈寒·2023-08-23 19:21

01.机器学习引言

1.机器学习的步骤1.数据搜集其中数据划分，是将数据集分为训练集、验证集和测试集（通常不考虑时间）2.数据清洗3.特征工程提取对象：原始数据（特征提取一般在特征选择之前）提取目的：自动地构建新的特征，将原始数据转换为一组具有明显物理意义

Tiny_G·2023-08-21 16:00

神经网络基础-神经网络补充概念-01-二分分类

特征工程：根据任务需求，选择适当的特征，并进行必

丰。。·2023-08-19 18:52

数据科学 - 版本控制

数据科学循环数据科学不同于传统的软件工程,尤其对于探索性数据分析,特征工程,机器学习建模和验证阶段.但是数据科学和软件开发领域相似之处是都需要进行代码的i安歇,数据科学倾向于代码的迭代性和循环性,通常,

IntoTheVoid·2023-08-19 11:59

神经网络基础-神经网络补充概念-58-端到端的深度学习

端到端深度学习的优势在于简化了整个系统的设计和开发流程，减少了手工特征工程的工作量，并且通常能够

丰。。·2023-08-17 23:25

[机器学习]特征工程：主成分分析

目录主成分分析1、简介2、帮助理解3、API调用4、案例本文介绍主成分分析的概述以及python如何实现算法，后续会再出一篇关于主成分分析算法原理讲解的文章，敬请期待！感谢大家支持！您的一键三连，就是我创作的最大动力！主成分分析1、简介主成分分析（PrincipalComponentAnalysis，PCA）是一种常用的数据降维和特征提取技术，用于将高维数据转化为低维表示，同时保留数据的主要特征。

逐梦苍穹·2023-08-16 21:04

[机器学习]特征工程：特征降维

特征降维1、简介特征降维是指通过减少特征空间中的维度，将高维数据映射到一个低维子空间的过程。在机器学习和数据分析中，特征降维可以帮助减少数据的复杂性、降低计算成本、提高模型性能和可解释性，以及解决维度灾难等问题。特征降维通常分为两种主要方法：特征选择和特征提取。特征选择（FeatureSelection）：特征选择是指从原始特征中选择一部分最具有代表性和重要性的特征子集，而忽略其他特征。这样可以减

逐梦苍穹·2023-08-16 21:33

机器学习基础之《分类算法（1）—sklearn转换器和估计器》

一、转换器1、什么是转换器之前做特征工程的步骤：（1）第一步就是实例化了一个转换器类（Transformer）（2）第二步就是调用fit_transform，进行数据的转换2、我们把特征工程的接口称之为转换器

csj50·2023-08-16 17:10

机器学习：特征工程之特征预处理

目录特征预处理1、简述2、内容3、归一化3.1、鲁棒性3.2、存在的问题4、标准化⭐所属专栏：人工智能文中提到的代码如有需要可以私信我发给你特征预处理1、简述什么是特征预处理：scikit-learn的解释：providesseveralcommonutilityfunctionsandtransformerclassestochangerawfeaturevectorsintoarepresen

逐梦苍穹·2023-08-16 09:40

机器学习重要内容：特征工程之特征抽取

目录1、简介2、⭐为什么需要特征工程3、特征抽取3.1、简介3.2、特征提取主要内容3.3、字典特征提取3.4、"one-hot"编码3.5、文本特征提取3.5.1、英文文本3.5.2、结巴分词3.5.3

逐梦苍穹·2023-08-16 09:10

GhatGPT实现泰坦尼克号生存预测

目录ChatGPT实现泰坦尼克号生存预测1.引言1.1研究背景1.2数据集介绍1.3研究目的2.数据描述2.1数据来源2.2数据集结构和变量定义2.3数据摘要和统计分析3.数据处理3.1缺失值处理3.2特征工程

N-A·2023-08-15 07:08

机器学习入门：如何搭建第一个机器学习模型——以墨尔本房价预测为例

注：本文为MachineLearning的个人学习笔记，学习站点：Kaggle.com搭建一个最简单的机器学习模型仅需3步：收集数据，数据清洗；特征工程；模型选择、整合，参数调优；收集数据墨尔本市房产信息数据都存放在这个

sz88888·2023-08-15 04:45

机器学习终极指南：特征工程（01/2） — 第 -2 部分

在这一部分中，我们将深入研究特征工程，这是机器学习过程的另一个重要方面。特征工程是将原始数据转换为有意义的特征的过程，机器学习算法可以使用这些特征进行准确的预测。

无水先生·2023-08-14 08:40

机器学习终极指南：特征工程（02/2） — 第 -2 部分

接上文：机器学习终极指南：特征工程（01/2）五、处理不平衡数据处理不平衡的数据是机器学习的一个重要方面。不平衡数据是指目标变量的分布不均匀，并且与另一个类相比，一个类的代表性不足。

无水先生·2023-08-14 05:12

关于特征工程与模型间关系的一些想法

正文：为什么要做特征工程？为了让模型有更好的性能和更精准的预测结果。所以要有效果

Prozac水熊虫·2023-08-14 03:30

YOLOv5，YOLOv8改进-修改DCNv2

线性模型无法学习到特征的交叉属性，需要大量的人工特征工程的介入，深度网络对于交叉特征的学习有着天然的优势，在Wide&Deep模型中，Deep侧已经是一个DNN模型，而Wide侧是一个线性模型LR，无法有效的学习到交叉特征

陈子迩·2023-08-14 00:05

NNI(自动超参数搜索)工具环境配置及使用

NNI简介NNI(NeuralNetworkIntelligence)是一个轻量但强大的工具包，帮助用户自动的进行特征工程，神经网络架构搜索，超参调优以及模型压缩。

SHY_VWind·2023-08-13 19:13

NLP之相似语句识别--特征工程篇:bow+tfidf+svd+fuzzywuzzy+word2vec

Quora是一个海外知名的在线问答网站(类似中国的知乎、百度知道)，Quora上有许多问题和答案，也容许用户协同编辑问题和答案.不过由于某些“你懂的”原因，在国内无法访问访问该网站。在2018年9月，据Quora报告称每个月有超过3亿人访问Quora，很多人都会问重复的问题，还有很多问题具有相同意图仅仅只是表达方式不一样。例如，“如何进行网上购物?”和“网上购物的步骤有哪些?”类似这样的问题都是重

-派神-·2023-08-12 21:22

机器学习基础之《特征工程（4）—特征降维—案例》

一、探究用户对物品类别的喜好细分1、找到用户和物品类别的关系数据如下：（1）order_products__prior.csv：订单与商品信息字段：order_id，product_id，add_to_cart_order，reordered（2）products.csv：商品信息字段：product_id，product_name，aisle_id，department_id（3）orders.

csj50·2023-08-12 11:08

[深度学习]Part2 数据清洗和特征工程Ch06——【DeepBlue学习笔记】

本文仅供学习使用数据清洗和特征工程Ch061.特征工程1.1特征工程介绍1.2特征预处理1.2.1数据清洗1.2.1.1数据清洗—预处理1.2.1.2数据清洗—格式内容错误数据清洗1.2.1.3数据清洗

LiongLoure·2023-08-11 15:45

机器学习中的特征工程（四）---- 特征离散化处理方法

简介特征离散化指的是将连续特征划分离散的过程：将原始定量特征的一个区间一一映射到单一的值。离散化过程也被表述成分箱（Binning）的过程。特征离散化常应用于逻辑回归和金融领域的评分卡中，同时在规则提取，特征分类中也有对应的应用价值。本文主要介绍几种常见的分箱方法，包括等宽分箱、等频分箱、信息熵分箱、基于决策树分箱、卡方分箱等。分箱原理介绍数据分箱是一种数据预处理技术，用于减少次要观察误差的影响，

HaloZhang·2023-08-11 01:33

特征工程总结I

背景描述：整理电脑的时候偶然发现自己做过的这个特征工程总结，不过这已经是几年前的，下个月开始update理论和代码部分内容，有需要的朋友可以关注~总体框架（待更新）：

Nancy_张·2023-08-10 20:47

警惕“特征工程”中的陷阱

特征工程(FeatureEngineering)是机器学习中的重要环节。在传统的项目中，百分之七十以上的时间都花在了预处理数据上(DataPreprocessing)，其中特征工程消耗了很多时间。

tianyi6677·2023-08-10 11:46

机器学习基础之《特征工程（4）—特征降维》

一、什么是特征降维降维是指在某些限定条件下，降低随机变量（特征）个数，得到一组“不相关”主变量的过程1、降维降低维度ndarry维数：嵌套的层数0维：标量，具体的数0123...1维：向量2维：矩阵3维：多个二维数组嵌套n维：继续嵌套下去2、特征降维降的是什么降的是二维数组，特征是几行几列的，几行有多少样本，几列有多少特征降低特征的个数（就是列数）二、降维的两种方式1、特征选择2、主成分分析（可以

csj50·2023-08-09 17:13

【机器学习】编码、创造和筛选特征

在机器学习和数据科学领域中，特征工程是提取、转换和选择原始数据以创建更具信息价值的特征的过程。假设拿到一份数据集之后，如何逐步完成特征工程呢？

旅途中的宽~·2023-08-09 17:57

Scikit-learn与特征工程

文章目录1.Scikit-learn与特征工程1.1数据的来源与类型1.2数据的特征抽取1.3数据的特征预处理1.4数据的特征选择1.Scikit-learn与特征工程 数据决定了机器学习的上限，而算法只是尽可能逼近这个上限

olunano·2023-08-09 13:35

【Datawhale AI 夏令营第二期】AI 量化模型预测挑战赛

文章目录赛题分析赛题背景赛事任务赛题数据集评价指标Baseline实践导入模块EDA特征工程模型训练与验证结果输出改进赛题分析赛题背景量化金融在国外已经有数十年的历程，而在国内兴起还不到十年。

adureychloe·2023-08-08 18:02

模型训练技术指南

目录引言1.模型训练的重要性2.数据预处理3.特征工程4.模型选择与评估5.参数调优6.模型集成7.过拟合与欠拟合8.模型保存与加载9.分布式训练与加速10.最佳实践与常见问题引言模型训练是机器学习领域中至关重要的一步

Yan-英杰·2023-08-07 20:33

python机器学习（七）决策树(下) 特征工程、字典特征、文本特征、决策树算法API、可视化、解决回归问题

决策树算法特征工程-特征提取特征提取就是将任意数据转换为可用于机器学习的数字特征。计算机无法直接识别字符串，将字符串转换为机器可以读懂的数字特征，才能让计算机理解该字符串(特征)表达的意义。

hwwaizs·2023-08-07 18:05

机器学习特征工程——类别相关统计特征

阅读鱼佬《机器学习算法竞赛实战》4.3节记录，主要记录如何对类别相关统计特征进行目标编码机器学习难以识别复杂模式，尤其是不同特征间交互信息，因此需要根据直觉或业务理解构建特征。针对类别相关统计特征，可考虑：目标编码考虑类别特征和目标变量count,nunique,ratio经常使用的类别特征构造方式类别特征交叉组合类别特征间的组合目标编码目标编码是用目标变量（通常是Label）统计量对类别特征进行

STUffT·2023-08-07 10:39

深度学习，计算机视觉任务

目录计算机视觉任务1.K近邻算法2.得分函数3.损失函数的作用4.向前传播整体流程5.反向传播计算方法计算机视觉任务机器学习的流程：数据获取特征工程建立模型评估与应用计算机视觉：图像表示：计算机眼中的图像

Williamtym·2023-08-07 06:42

【AI量化模型】跑通baseline

跑通baseline任务学习内容特征工程模型训练与验证bug未纠错的结果任务教程部署在百度AIStudio，可以一键fork运行代码，选择*v10032g1*的配置，baseline运行大约20分钟，再加上进阶部分大约

weixin_44619759·2023-08-07 05:11

深度学习基础知识扫盲

深度学习监督学习（Supervisedlearning）监督学习分类无监督学习（Non-supervisedlearning）无监督学习的算法无监督学习使用场景术语特征值特征向量特征工程（Featureengineering

羊羊羊i·2023-08-06 12:58

机器学习基础概念

公众号：尤而小屋作者：Peter编辑：Peter大家好，我是Peter~本文主要机器学习的一些基本内容，包含：除了分类和回归之外的其他机器学习形式评估机器学习模型的规范流程为深度学习准备数据特征工程解决过拟合处理机器学习问题的通用流程

皮皮大·2023-08-06 00:42

python地图gps轨迹可视化_GPS轨迹可视化的三种方法

Contents:1、GIS软件2、js在线工具或api3、万能的Python做ML的时候，清洗数据也好，特征工程也好，当遇到时空数据，或者要建立LBS特征时，难免需要对坐标维度做可视化打点，来分析其他特征维度的稳定性或相关性

weixin_39732506·2023-08-05 19:37

机器学习基础之《特征工程（1）—数据集》

一、数据集1、目标知道数据集分为训练集和测试集会使用sklearn的数据集2、可用数据集公司内部，比如百度、微博数据接口，花钱政府拥有的数据集3、在学习阶段用到的数据集scikit-learn特点：（1）数据量较小（2）方便学习UCI特点：（1）收录了360个数据集（2）覆盖科学、生活、经济等领域（3）数据量几十万kaggle特点：（1）大数据竞赛平台（2）80万科学家（3）真实数据（4）数据量巨

csj50·2023-08-05 11:50

机器学习基础之《特征工程（2）—特征工程介绍、特征抽取》

一、什么是特征工程机器学习领域的大神AndrewNg(吴恩达)老师说“Comingupwithfeaturesisdifficult,time-consuming,requiresexpertknowledge