特征工程第24页

时间序列数据的特征工程总结

现在传统时序预测的方法的预测精度都已经不如基于机器学习和深度学习的方法了，但是后者依赖于特征工程，特征调教的好的话是可

there2belief·2022-12-18 16:35

特征工程：时序特征分析的奇技淫巧

最近在做时间序列的项目，所以总结一下构造的特征的方法和一些经验。先放上大纲：1.时间特征1.1连续时间持续时间：浏览时长；间隔时间：购买/点击距今时长；距离假期的前后时长（节假日前和节假日后可能会出现明显的数据波动）；1.2离散时间年、季度、季节、月、星期、日、时等；基本特征，如果用Xgboost模型可以进行one-hot编码；如果类别比较多，可以尝试平均数编码（MeanEncoding）。或者取

数据不吹牛·2022-12-18 16:34

2022华为推荐赛事——广告-信息流跨域ctr预估——0.79方案分享

本文目录如下：一、赛事背景二、解决方案2.1导入必要的库2.2数据读取2.3特征工程自然数编码目标域（广告域）穿越特征提取内存压缩源域特征构建内存压缩2.4划分训练集和测试集2.5训练模型2.5输出特征重要性结果

Kevin Davis·2022-12-17 12:03

2022讯飞——糖尿病遗传风险检测挑战赛解决方案

目录：0.赛事背景1.读取数据2.数据探索及预处理2.1缺失值2.2分析字段类型2.3计算字段相关性3.特征工程3.1特征构造4.模型训练4.1LightGBM(0.96206)4.2随机森林（0.96324

Kevin Davis·2022-12-17 12:03

自动化特征工程和自动建模在风控场景的应用

一、背景和问题目前，模型开发的流程越来越规范化，通常可以分为业务分析、样本准备、特征工程、模型构建、模型评估及监控这几个步骤。

元宇宙iwemeta·2022-12-17 11:38

基于神经网络的CTR实践

内存压缩5.训练集+测试集6.模型训练7.保存三.结论1.运行分析2.结果分析3.结论分析四.备注一.梗概本次神经网络的建立基于之前LogisticRegression的实践过程，进行了例如数据预处理，特征工程

Vector Jason·2022-12-17 09:31

机器学习算法基础day8

回归树:平方误差最小分类树:基尼系数最小的准则在sklearn中可以选择划分的原则2sklearn决策树API3泰坦尼克号乘客生存分类模型(1)pd读取数据(2)选择有影响的特征，处理缺失值(3)进行特征工程

CHEN的小喵·2022-12-16 16:20

机器学习：xgboost原理及实践

Xgboost5.1xgboost实现5.1xgboost特征选择5.2xgboost超参数优化5.Xgboost和GBDT的比较xgboost原理及实践最近参加了数据分析的比赛，在这次比赛中，我主要负责了特征工程和学习模型的

阳阳yyx·2022-12-16 15:59

靓仔的python机器学习入门2.2-特征工程-特征提取

2.2特征工程介绍2.2.1为什么需要特征工程（FeatureEngineering）2.2.2什么是特征工程特征工程是使用专业背景知识和技巧处理数据，使得特征能在机器学习算法上发挥更好的作用的过程。

白莲居仙·2022-12-16 14:22

机器学习与特征提取(初级)---scikit-learn

机器学习与特征提取---scikit-learn关系数据集提供站点数据集的使用scikit-learn的安装scikit-learn的导入数据集的使用数据集的划分特征工程字典特征提取模块导入主逻辑文本特征提取导入模块主逻辑

两个月亮·2022-12-16 14:22

机器学习（2）特征提取1 -- 字典特征提取

目录一、基础理论1、特征工程2、过程3、API二、特征提取转化为二维矩阵0、获取数据集1、实例化转换器类2、提取特征值3、显示三、特征值转化为稀疏矩阵0、获取数据集1、实例化转换器类2、提取特征值3、显示总代码一

_睿智_·2022-12-16 14:52

机器学习入门研究（五）-特征工程之特征提取

目录为什么要用特征工程特征提取（FeatureExtraction）1.目的2.对应的工具3.三种方法4.对应的sklearn的API（1）字典特征提取（2）文本特征提取总结特征是从数据中抽取出来的对结果有预测有用的信息

好人静·2022-12-16 14:52

机器学习一：特征工程之特征抽取（字典特征与文本特征的区别）

@[TOC](字典特征与文本特征的区别特征抽取定义字典特征与文本特征的区别两种文本特征的区别：特征抽取定义定义：将人能够看懂的语言转化成机器能够识别的数字信息字典特征与文本特征的区别不同1：处理的数据不同字典特征抽取的作用：对字典当中有类别的信息进行处理，需要对类别信息进行one-hot编码文本特征抽取的作用：对文本数据进行处理不同2：有无sparse字典特征抽取在实例化时有sparse参数；文本

三少的笔记·2022-12-16 14:52

【机器学习入门】(10) 特征工程：特征抽取，字典特征抽取、文本特征抽取，附完整python代码

各位同学好，今天和大家介绍一下python机器学习中的特征工程。

立Sir·2022-12-16 14:51

[机器学习与scikit-learn-43]：特征工程-特征提取(编码)-2-什么是特征提取以及文本词频向量

作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客本文网址：https://mp.csdn.net/mp_blog/creation/editor/123284311目录第1章从文本中提取特征概述1.1概述1.2为什么不能采用ASCII编码1.3什么是特征1.4什么是特征提取1.5要对文本进行编码，需要遵循几个基本的规则第2章特征提取方法：词频向量2.1什么

文火冰糖的硅基工坊·2022-12-16 14:21

机器学习之特征工程：字典的特征提取总结反思

2.2特征工程介绍算法特征工程2.2.1为什么需要特征工程(FeatureEngineering)2.2.2什么是特征工程sklearn用于特征工程pandas用于数据清洗、数据处理特征抽取/特征提取：

cccccccaaaaaaaaa·2022-12-16 14:21

机器学习特征工程之英文中文文本的特征提取

作用就是：将一个英文文档中的所有词当做特征，然后用one-hot将特征位置标出来，用toarry将稀疏变换为离散后，会标注每个文本当中每个次出现的次数（文档特征识别无spare参数！字典有）2.3.3文本特征提取单词作为特征句子、短语、单词、字母特征：特征词方法1：CountVectorizer1）统计每个样本特征词出现的个数：如图1所示该类会自动将单个字母剔除。只留下字母串当作特征值，统计特征值

cccccccaaaaaaaaa·2022-12-16 14:21

[机器学习与scikit-learn-42]：特征工程-特征提取(编码)-1-从字典中提取特征

作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客本文网址：目录前言：第1章特征提取概述1.1什么是特征提取1.2特征提取与特征选项的区别与联系1.3特征提取的方法第2章字典中提取特征2.1概述2.2代码案例分析前言：机器学习算法的输入是样本的多个维度的特征，特征来自于原始样本数据，但有不是原始的样本数据。样本的特征与原始数据之间并非完全等价的，在机器学习算

文火冰糖的硅基工坊·2022-12-16 14:51

1、【特征抽取（NLP）】机器学习之特征工程和文本特征的提取

常用数据集构成=特征值+目标值（0/1）每一行为一条记录，每一列即为一个特征对特征值进行处理：pandas进行简单处理（主要是对缺失值数据，重复值不用处理）；特征工程之特征抽取：对文本数据进行特征值化（

Alexander plus·2022-12-16 14:51

机器学习之特征工程（1）字典/文本特征提取方法

特征工程的内容特征抽取特征预处理特征降维特征提取将任意数据转化为数字特征APIsklearn.feature_extraction字典特征提取sklearn.feature_extraction.DictVectorizer

_console_·2022-12-16 14:21

机器学习概述

机器学习的一般流程数据收集数据清洗特征工程数据建模模型评估算法分类机器学习有监督学习无监督学习分类k-近邻算法贝叶斯分类决策树与随机森林逻辑回归回归

_console_·2022-12-16 14:20

数据预处理常用操作

数据预处理常用操作数据导入数据分析查看数据大小查看数据类型，缺失值，缺失值占比查看数据相关性-热力图表示数据处理数据类型转换pd.to_numeric函数散点图观察缺失值处理数据删除缺失值填充：文本数据处理最后建议大家看一下飞桨的[数据准备和特征工程

丿Me丶初见灬·2022-12-16 13:14

《机器学习算法竞赛实战》学习笔记4.特征工程

吴恩达老师有言：“机器学习在本质上还是特征工程，数据和特征决定了机器学习的上限，模型和算法只是逼近这个上限而已。”

全自动学习机器·2022-12-16 13:32

学习简记_特征工程

特征工程1.特征变换1.1连续变量无量纲化1.2连续变量离散化1.3类别特征转换2.特征组合3.特征评价吴恩达老师有言：“机器学习本质上还是特征工程，数据和特征决定了机器学习上限，模型和算法只是去尽可能逼近这个上限而已

全自动学习机器·2022-12-16 13:54

本人心血总结，机器学习、算法面经总结与解析

本专栏特点：本专栏囊括了深度学习、机器学习、NLP、特征工程等一系列知识点的讲解，并且最后总结出了高频面试考点（附有答案）【共301道】，知识点讲解全面，事半功倍，为大家春秋招助力。

qq_32468785·2022-12-16 10:51

数据生态第四弹 | OpenMLDB Hive Connector，架构起数据仓库到特征工程的生态桥梁

导读近日，OpenMLDB实现了与开源数据仓库软件Hive的连接，继完成与Kafka、Pulsar、RocketMQ等实时数据源生态整合后，持续构建离线数据生态，期待建设一个更加全面一体的上下游生态圈，在吸引更多用户的同时也能降低用户的使用门槛。OpenMLDBHiveConnector背景OpenMLDBHiveConnector的开发解决了OpenMLDB无法轻松连接使用Hive数据源的问题，

第四范式开发者社区·2022-12-16 09:25

OpenMLDB + OneFlow: 手把手教你快速链接特征工程到模型训练

本文整理自OpenMLDBMeetupNo.5中OpenMLDBPMC黄威的演讲，将以京东高潜用户购买意向预测问题为例，示范如何使用OpenMLDB和OneFlow联合来打造一个完整的机器学习应用。分享视频如下：导读：如何从历史数据中找出规律，去预测用户未来的购买需求，让最合适的商品遇见最需要的人，是大数据应用在精准营销中的关键问题，也是所有电商平台在做智能化升级时所需要的核心技术。京东作为中国最

第四范式开发者社区·2022-12-16 09:24

【Meetup预告】OpenMLDB＋OneFlow：链接特征工程到模型训练，加速机器学习模型开发

2022年7月31日（周日）下午14:00-16:30，开源机器学习数据库OpenMLDB第五期Meetup将通过线上直播的形式展开。活动背景提供生产级实时数据及特征开发全栈解决方案的开源学习数据库OpenMLDB邀请静态编译和流式并行的深度学习框架OneFlow合作带来OpenMLDBMeetup第五期。本期线上分享将带领大家深入了解迭代升级后的OpenMLDB和OneFlow，解析产品背后的架

第四范式开发者社区·2022-12-16 09:54

特征工程之高维组合特征的处理、组合特征、文本表示模型

为了提高复杂关系的拟合能力，在特征工程中经常会把一阶离散特征两两组合，构成高阶组合特征。比如性别(取值男女)，城市(取值上海北京)，组合后特征为：上海男，上海女，北京男，北京女。

算法星球·2022-12-16 08:55

【机器学习】采集数据、特征工程、建立模型、应用四个阶段的详解（图文解释超详细）

机器的这种学习能力，作为人工智能的核心要素，将会对人类社会的生产、生活、军事等活动产生难以估量的影响。那么，什么是机器学习（MachineLearning，ML）呢？人类的学习中，最基础的是记忆，即机械的复述。但更重要的是指“举一反三”的能力。当用图片、文字、视频等教人们认识动物时，人们不仅记住了动物的知识，还学会了对真实的动物进行分析、辨认和判别，这是一种学习知识，并应用知识的能力。获得这种能力

showswoller·2022-12-16 06:29

互联网大厂CTR预估前沿进展

早期主要是使用LR（线性回归）+人工特征工程的机器学习方法，但是存在人工组合特征工程成本较高，不同任务难以复用的问题。

夕小瑶·2022-12-16 02:07

泰坦尼克号数据集_泰坦尼克号生存率预测

目录一、泰坦尼克号生存率预测1.提出问题2.理解数据2.1采集数据2.2导入数据2.3查看数据集信息3.数据清洗3.1数据预处理3.2特征工程4.构建模型5.模型评估6.方案实施6.1得到预测结果6.2

weixin_39560604·2022-12-15 14:10

泰坦尼克号幸存者预测

目录数据集1、分析需求2、探索性数据分析（EDA）性别：是离散型变量Age：连续型变量Fare：票价，连续型变量，可以使用箱线图或者小提琴图看分布PclassEmbarked：离散型变量3、特征工程特征抽取抽取

pythonSuperman·2022-12-15 13:07

特征工程——特征衍生

没有现成第三方库特征衍生方法单变量特征衍生——一个变量放进去衍生多个特征双变量特征衍生——二组合生多关键特征衍生——文本/时序多变量特征衍生——三个及以上特征进行组合单变量特征衍生数据冲编码特征衍生原特征与衍生特征都可以带入特征工程连续变量

CHILDE Ley·2022-12-15 11:59

python风控建模_风控建模之特征筛选与建模（python）

特征筛选在建模之前的一步就是将特征工程做好的变量进行筛选，在风控项目中筛选分为两步：初步筛选、逐步回归筛选以及稳定性筛选。

weixin_39600331·2022-12-14 16:33

数据科学基础复习2

4.2参数估计4.3假设检验4.4方差分析*4.5回归分析*凸优化智能优化算法遗传算法pso粒子群优化算法机器学习初探分类模型评估K折叠交叉验证(K-foldcrossvalidation)二分类问题特征工程数据预处理特征提取特征选择特征降维简答题

IIKY·2022-12-14 15:11

第六课多算法组合与模型调优

本系列是七月算法机器学习课程笔记文章目录1前序工作流程1.1数据处理1.2特征工程1.3模型选择1.4交叉验证1.5寻找最佳超参数2模型优化2.1模型状态2.2模型优化12.3模型优化22.4模型优化32.5

约定写代码·2022-12-14 15:24

数据生态第四弹 | OpenMLDB Hive Connector，架构起数据仓库到特征工程的生态桥梁

导读近日，OpenMLDB实现了与开源数据仓库软件Hive的连接，继完成与Kafka、Pulsar、RocketMQ等实时数据源生态整合后，持续构建离线数据生态，期待建设一个更加全面一体的上下游生态圈，在吸引更多用户的同时也能降低用户的使用门槛。OpenMLDBHiveConnector背景OpenMLDBHiveConnector的开发解决了OpenMLDB无法轻松连接使用Hive数据源的问题，

·2022-12-14 15:58

深度解析数据清理和特征工程！5本面向数据科学家的顶级书籍推荐 ⛵

本文对比筛选了『数据清理』和『特征工程』最值得推荐的5本书，帮助你有效地清理数据、获取干净核心的数据，这是后续建模分析等工作有更好结果的保证。

·2022-12-14 14:26

pytorch标签onehot编码_特征编码方法总结—part1

在特征工程里，特征编码是占比很重的一块，在kaggle的结构化数据比赛中，最终帮助选手胜利的关键因素之一往往是高级特征的构造和特征编码（很多时候特征编码也是在构造高级的特征），下面就来总结一下吧。

温卡龙·2022-12-14 08:36

机器学习中---sklearn对于鸢尾花如何进行数据集划分

机器学习中，我们熟知的开发流程是：获取数据------数据处理------特征工程------机器学习算法训练模型------模型评估-----应用实际#所以对于一个我们已有的数据集，不能全部用作建立模型

漂泊的小森·2022-12-14 06:48

《特征工程入门与实践》--特征选择

特征选择元指标特征选择的类型:基于统计的特征选择皮尔逊相关系数假设检验基于模型的特征选择使用机器学习选择特征针对基于树的模型线性模型和正则化《特征工程入门与实践》-特征选择元指标元指标是指不直接与模型预测性能相关的指标

「已注销」·2022-12-14 05:11

机器学习笔记11 -- 优化方法

改进（更为通用）其中系数阿尔法可以理解为步长，后边偏导数代表方向，然后不断进行迭代至偏导为0可能会产生局部最优解，这里暂且不提线性回归API：案例：波士顿房价预测：流程：获取数据集（已处理）划分数据集特征工程

whurrican·2022-12-14 03:56

神经网络与深度学习：卷积神经网络

卷积神经网络1.深度学习基础2.图像识别与深度学习3.图像卷积3.1图像卷积运算3.2图像卷积在机器学习中的应用4.卷积神经网络5.卷积神经网络的优化1.深度学习基础特征工程：尽可能选择和构建出好的特征

Twinkle1231·2022-12-14 01:14

特征工程中的数据标准化

数据标准化数据标准化主要用来消除不同特征之间的量纲的影响，量纲指的是特征的计量单位，如果特征的单位不一致，那么不同的特征不能放在一起去比较。例如在日常生活中，身高的单位时cm，体重的单位时kg，二者不能直接比较。所以可以通过数据标准化的方法，来消除不同特征之间量纲的影响。示例数据：Min-Max标准化Min-Max标准化是对原始数据进行线性转换，它需要求出特征的最小值和最大值，然后通过以下公式求出

CSDN_Arice·2022-12-14 00:18

特征工程中缺失值处理

缺失值处理信息系统往往是不完备的，经常会有数据缺失。产生数据缺失一般有两种原因，第一种是有些信息暂时无法获取，例如一个单身人士的配偶或者一个儿童的收入等；第二种是有些信息被遗漏或者错误的被处理了。数据缺失是不可避免的，我们经常要做缺失数据的处理，处理缺失数据通常有三种方法：1、第一种是不处理，例如单身人士的配偶，不存在是很正常的。2、第二种是删除缺失值所对应的行，这种方法在样本数据较少时，谨慎使用

CSDN_Arice·2022-12-14 00:48

深度学习-----------2.6（GBDT+LR，LS-PLM）

GBDT构建特征工程，利用LR预估CTR这是两步独立的。

WMM_123456·2022-12-13 22:19

xgboost算法 c语言,实战微博互动预测之三_xgboost答疑解惑

weixin_39860349·2022-12-13 20:51

推荐频道

特征工程

时间序列数据的特征工程总结

特征工程：时序特征分析的奇技淫巧

推荐系统学习笔记召回策略之基于协同过滤召回

2022华为推荐赛事——广告-信息流跨域ctr预估——0.79方案分享

2022讯飞——糖尿病遗传风险检测挑战赛解决方案

自动化特征工程和自动建模在风控场景的应用

基于神经网络的CTR实践

机器学习算法基础day8

机器学习：xgboost原理及实践

靓仔的python机器学习入门2.2-特征工程-特征提取

机器学习与特征提取(初级)---scikit-learn

机器学习（2）特征提取1 -- 字典特征提取

机器学习入门研究（五）-特征工程之特征提取

机器学习一：特征工程之特征抽取（字典特征与文本特征的区别）

【机器学习入门】(10) 特征工程：特征抽取，字典特征抽取、文本特征抽取，附完整python代码

[机器学习与scikit-learn-43]：特征工程-特征提取(编码)-2-什么是特征提取以及文本词频向量

机器学习之特征工程：字典的特征提取总结反思

机器学习特征工程之英文中文文本的特征提取

[机器学习与scikit-learn-42]：特征工程-特征提取(编码)-1-从字典中提取特征

1、【特征抽取（NLP）】机器学习之特征工程和文本特征的提取

机器学习之特征工程（1）字典/文本特征提取方法

机器学习概述

数据预处理常用操作

《机器学习算法竞赛实战》学习笔记4.特征工程

学习简记_特征工程

本人心血总结，机器学习、算法面经总结与解析

数据生态第四弹 | OpenMLDB Hive Connector，架构起数据仓库到特征工程的生态桥梁

OpenMLDB + OneFlow: 手把手教你快速链接特征工程到模型训练

【Meetup预告】OpenMLDB＋OneFlow：链接特征工程到模型训练，加速机器学习模型开发

特征工程之高维组合特征的处理、组合特征、文本表示模型

【机器学习】采集数据、特征工程、建立模型、应用四个阶段的详解（图文解释 超详细）

互联网大厂CTR预估前沿进展

泰坦尼克号数据集_泰坦尼克号生存率预测

泰坦尼克号幸存者预测

特征工程——特征衍生

推荐系统序列化建模总结

python风控建模_风控建模之特征筛选与建模（python）

数据科学基础复习2

第六课 多算法组合与模型调优

数据生态第四弹 | OpenMLDB Hive Connector，架构起数据仓库到特征工程的生态桥梁

深度解析数据清理和特征工程！5本面向数据科学家的顶级书籍推荐 ⛵

pytorch标签onehot编码_特征编码方法总结—part1

机器学习中---sklearn对于鸢尾花如何进行数据集划分

《特征工程入门与实践》--特征选择

机器学习笔记11 -- 优化方法

神经网络与深度学习：卷积神经网络

特征工程中的数据标准化

特征工程中缺失值处理

深度学习-----------2.6（GBDT+LR，LS-PLM）

xgboost算法 c语言,实战微博互动预测之三_xgboost答疑解惑

【机器学习】采集数据、特征工程、建立模型、应用四个阶段的详解（图文解释超详细）

第六课多算法组合与模型调优