特征工程

Scikit-learn(sklearn)机器学习必备库

sklearn建模流程：（掌握常见机器学习模型）数据预处理特征工程，特征编码模型选择模型训练与测试模型评价，误差分析数据预处理常用手段：Standardization,ormearemovalandvarian
想成为风筝·2022-12-13 14:51

学习笔记：特征工程（三）——特征构建

在之前的节中，我们了解了数据类型，数据识别以及数据填充，但这些操作所针对的数据类型都是定量型数据，那么我们如何处理定性型数据呢？本节笔者就开始研究分类数据，分类数据如何构建，如何通过现有的特征构建全新的特征，让模型从中学习。其实有很多方法可以构建新特征：最简单的办法就是用pandas将现有的特征扩大几倍；当然也可以使用scikit-learn包的很多部分。本节从以下四个方面来探讨：检查数据集填充分
蓝建国·2022-12-13 13:52

python机器学习前戏 ——特征工程应用

机器学习笔记——特征工程应用机器学习为什么需要特征工程什么是特征工程特征工程的实现目录机器学习笔记——特征工程应用机器学习——特征工程应用机器学习为什么需要特征工程什么是特征工程sklearn工具特征抽取应用字典特征抽取
熬夜秃头君·2022-12-13 13:52

我的机器学习笔记——特征工程

我的机器学习笔记——特征工程1.特征工程是什么？
Wenee_·2022-12-13 13:22

机器学习笔记【二】——特征工程

特征工程what特征工程包含内容二、特征预处理特征预处理API数值型数据的无量纲化-归一化1.定义2.公式3.API4.归一化缺陷-标准化1.定义2.公式3.API4.标准化总结三、特征降维特征选择1.
Krisyeo1·2022-12-13 13:51

【百面机器学习笔记——第一章 特征工程】

百面机器学习笔记——第一章特征工程01特征归一化02类别型特征03高维组合特征的处理04特征组合07图像数据不足时的处理方法01特征归一化原因：消除量纲带来的不同数值量级的影响，防止梯度下降过程中不同方向下降速度不同
书玮嘎·2022-12-13 13:48

机器学习狗(本人)day1&2 —— 特征工程学习

机器学习狗day1&2——特征工程学习LEARN特征选择FeatureSelection首先，从特征开始说起，假设你现在有一个标准的Excel表格数据，它的每一行表示的是一个观测样本数据，表格数据中的每一列就是一个特征
b1ue0cean·2022-12-13 13:17

01_机器学习概述整理

机器学习的处理流程：数据采集、预处理、特征工程、建模和测试。
等风来随风飘·2022-12-13 13:12

01_机器学习相关笔记——特征工程（1）

01_机器学习相关笔记——特征工程（1）没有充足的数据、合适的特征，再强大的模型结构也无法得到满意的输出。
等风来随风飘·2022-12-13 13:05

大数据分析与应用（中级） 数据挖掘概念及流程

回归分析：6.选择数据挖掘工具时需要考虑的因素7.常用的数据挖掘工具1.机器学习PAI：2.SAS3.Stata4.Python5.IBMSPSSModeler6.Wake7.R语言8.MATLAB8.特征工程
长岛山没有雪·2022-12-13 07:30

NNI 自动调参使用。

NNI(NeuralNetworkIntelligence)是一个轻量而强大的工具，可以帮助用户自动化：超参调优，架构搜索，模型压缩，特征工程。本文只简单介绍如何超参数调优。1原理
JiangHe1997·2022-12-12 16:52

什么才是一个好的特征工程？

文章目录特征工程例子参考资料特征工程“上面的多项式特征是根据它们与目标数据的匹配程度来选择的。考虑这个问题的另一种方法是，一旦我们创建了新特性，我们仍然在使用线性回归。
CodeSlogan·2022-12-12 13:27

Python数据分析之特征工程

目录一、数据清洗：1、数据样本采集（抽样）2、异常值处理识别异常值和重复值直接丢弃（包括重复数据）集中值指代（除异常值外的均值、中位数、众数等等）插值根据不同特征值的具体形式处理二、特征预处理1、特征选择——剔除与标注不相关或者冗余的特征过滤思想（设置过滤的阈值）包裹思想（递归特征消除法算法—RFE—resavefeatureelimination）嵌入思想（正则化——系数反应特征重要程度）2、特
啊心个。·2022-12-12 12:38

文本分类--普通分类

2问题总结文本分类的一般流程；3解决思路3.1文本的特征提取特征选择是特征工程中的重要一
FibonacciCode·2022-12-12 09:13

【特征工程】多项式特征PolynomialFeatures(将数据变化为多项式特征)

使用sklearn.preprocessing.PolynomialFeatures来进行特征的构造。它是使用多项式的方法来进行的，如果有a，b两个特征，那么它的2次多项式为（1,a,b,a^2,ab,b^2）。PolynomialFeatures有三个参数degree：控制多项式的度interaction_only：默认为False，如果指定为True，那么就不会有特征自己和自己结合的项，上面的
小胡同1991·2022-12-12 08:57

数据挖掘框架（结构化数据）

一、数据探索数据量数据缺失情况描述性统计特征理解特征分布周期性分析对比分析相关性分析训练集和测试集的分布一致性二、数据预处理缺失值处理异常值处理内存优化三、特征工程1.ID特征处理需要考虑训练集和测试集数据拆分方式
1289902828·2022-12-12 00:47

Python中的时序分析工具包推荐（2）

导读在前期推文Python中的时序分析工具包推荐（1）中介绍了时序分析的三个工具包，分别侧重于时序特征工程、基于sklearn的时序建模和更为高级的时序建模工具。
小数志·2022-12-11 23:18

时间序列分析的关键问题

特征提取利用深度神经网络或者传统特征工程的方法，例如卷积、多尺度卷积或者PCA降维法。
xiaobin199cs·2022-12-11 22:09

python机器学习

逻辑回归目标值:连续型的数据-回归问题线性回归,岭回归目标值:无-无监督学习聚类k-means分类问题指的是分类别,辨别是什么回归问题指的一系列数据预测机器学习开发流程开发流程都是一样数据获取数据处理特征工程机器学习算法训练
爱吃鸡的小鸡·2022-12-11 18:54

分类算法————sklearn转换器和估计器

目录1转换器-特征工程的父类2估计器(sklearn机器学习算法的实现)3sklearn模型的保存和加载API1转换器-特征工程的父类把特征工程的接口称之为转换器fit_transform()两个函数的封装
荷泽泽·2022-12-11 10:06

抓住训练集中真正有用的样本，提升模型整体性能！

因此，相似的研究早在我们还要做特征工程的时期就已经层出不穷。而到了DNN时代，在做任务的我们不需
zenRRan·2022-12-11 09:19

某教育平台线上课程用户行为数据分析报告

目录项目背景分析思路1.链路分析2.指标拆解探索数据(EDA)数据处理用户活跃度分析1.区域维度2.时间维度用户流失分析流失预警模型1.流失用户定义2.特征工程3.特征筛选4.数据建模完整代码下载项目背景此数据集来自于
amanoaki·2022-12-11 08:11

人工神经网络理论、设计及应用_人工神经网络到底能干什么？到底在干什么？...

转的别人的，觉得写的很好，明白了人工神经网络与传统机器学习、深度学习是个什么关系，是否需要特征工程，转的地址是：http://www.broadview.com.cn/article/419380www.broadview.com.cn1
weixin_39801356·2022-12-11 07:52

机器学习面试题总结

文章目录https://github.com/zhengjingwei/machine-learning-interview一、机器学习相关1、基本概念2、经典机器学习**特征工程**解答**一、机器学习相关
neronjust·2022-12-11 05:13

风控特：关系网络特征工程入门实践

风控业务背景常规RFM时间切片统计特征侧重于纵向维度量化用户风险，而关系网络特征则从横向维度来评估。纵向是指同一用户在不同时间段上的行为异常风险；横向是指在同一个时间段里聚集的不同用户放在一起评估风险。因此，关系网络特征可作为常规RFM特征的一个有力补充，为风控模型带来可预见的增量效果。芝麻信用分中的人脉关系维度可以给我们带来很多启发，其又细分为人脉圈稳定性、社交影响力指数和信用环境指数三个子指标
hellozhxy·2022-12-11 01:05

风控特征的关系网络特征工程入门实践

风控业务背景常规RFM时间切片统计特征侧重于纵向维度量化用户风险，而关系网络特征则从横向维度来评估。纵向是指同一用户在不同时间段上的行为异常风险；横向是指在同一个时间段里聚集的不同用户放在一起评估风险。因此，关系网络特征可作为常规RFM特征的一个有力补充，为风控模型带来可预见的增量效果。芝麻信用分中的人脉关系维度可以给我们带来很多启发，其又细分为人脉圈稳定性、社交影响力指数和信用环境指数三个子指标
Pysamlam·2022-12-11 01:35

风控特征—关系网络特征工程入门实践

“本文业务角度分享了风控业务中构建关系特征的一些实践经验，包括数据源分析，关系网络和特征的构建，特征性能的评估以及线上方案的落实。”作者：求是汪在路上来源：知乎专栏风控模型算法。编辑：happyGirl风控业务背景常规RFM时间切片统计特征侧重于纵向维度量化用户风险，而关系网络特征则从横向维度来评估。纵向是指同一用户在不同时间段上的行为异常风险；横向是指在同一个时间段里聚集的不同用户放在一起评估风
Datawhale·2022-12-11 01:04

ML03数据预处理

title:数据预处理与特征工程date:2021-04-11tags:ML基础categories:dataAnalysistypora-root-url:.
weixin_41905232·2022-12-10 21:07

朴素贝叶斯算法：对文本进行分类

二、使用贝叶斯算法对文本进行分类1、获取数据2、划分数据集3、特征工程(文本特征处理)4、朴素贝叶斯预估器流程5、模型评估6、结果7、完整代码三、总结一、什么是朴素贝叶斯算法？
Mae_strive·2022-12-10 19:53

机器学习算法竞赛实战-学习总结

背景机器学习在大多数时候只是数学统计，数据相关的特征工程直接决定了模型的上限，而算法只是不断地逼近这个上限而已。
一銤阳光·2022-12-10 16:45

K-近邻（KNN）算法

目录前言1、kNN算法总结2、三要素2.1.距离度量：描述最邻近2.2.k的大小2.3.分类规则3场外:kNN最重要的特征工程——特征归一化前言kNN是一种基本的分类和回归方法，本文探讨的是KNN的分类方法
一本糊涂张·2022-12-10 03:18

训练集和测试集样本分布一致性的判断方法

在实战中，特征工程几乎需要一半以上的时间，是很重要的一个部分。缺失值处理、异常值处理、数据标准化、不平衡等问题大家应该都已经手到擒来小菜一碟了，
lizz2276·2022-12-09 19:44

任务1 - 线性回归算法梳理

过拟合欠拟合(方差和偏差以及各自解决办法)、交叉验证1.机器学习流程机器学习是一个数据流转、分析以及得到结果的过程，它的整个流程大致可以分为六个步骤，按照数据流自上而下的顺序排列分别是：场景解析、数据预处理、特征工程
R_TRIG·2022-12-09 19:34

基于SARIMA、XGBoost和CNN-LSTM的时间序列预测对比

利用统计测试和机器学习分析和预测太阳能发电的性能测试和对比本文将讨论通过使用假设测试、特征工程、时间序列建模方法等从数据集中获得有形价值的技术。
deephub·2022-12-09 18:52

泰坦尼克号预测结果分析报告

目录提出问题（BusinessUnderstanding)理解数据(DataUnderstanding)采集数据导入数据查看数据集信息数据清洗(DataPreparation)数据预处理特征工程(FeatureEngineering
郭苗苗772266·2022-12-09 18:16

数据挖掘机器学习[六]---项目实战金融风控之贷款违约预测

相关文章：特征工程详解及实战项目【参考】数据挖掘---汽车车交易价格预测[一](测评指标；EDA)数据挖掘机器学习---汽车交易价格预测详细版本[二]｛EDA-数据探索性分析｝数据挖掘机器学习---汽车交易价格预测详细版本
汀、·2022-12-09 15:52

机器学习思维导图（基于sklearn）

机器学习算法分类机器学习开发流程特征工程数据集特征工程介绍分类算法sklearn转换器和估计器K-近邻算法模型选择与调优朴素贝叶斯算法决策树集成学习方法之随机森林回归与聚类算法线性回归过拟合与欠拟合带有
Gavid-jh·2022-12-09 13:10

二手车价格预测

二手车价格预测查看要求查看原始数据导入数据查看数据日期格式转化是否存在空值特征工程使用天数数据分箱选择特征字段处理测试数据特别注意构建模型模块导入数据预处理模型搭建Lasso模型Ridge模型BayesianRidge
qq_41553076·2022-12-09 12:13

论文笔记（微表情识别）：Micro-Attention for Micro-Expression Recognition

（此种整合可以减少参数数量）特征工程的方法更适合离线，端到端的方法更适合快速、实时、线上的场合。（本文运用的是基于深度学习思想的用于微表情识别的端到端网络，在训练上
芍子zi·2022-12-09 05:36

特征工程 -- 数据分桶 Task3

数据分桶数据分桶是一种数据预处理技术，用于减少次要观察误差的影响，是一种将多个连续值分组为较少数量的“桶”的方法。例如，例如我们有一组关于人年龄的数据，如下图所示：现在我们希望将他们的年龄分组到更少的间隔中，可以通过设置一些条件来实现：分桶的数据不一定必须是数字，它们可以是任意类型的值，如“猫”、“狗”等。分桶也可用于图像处理，通过将相邻像素组合成单个像素，可用于减少数据量。一般在建立分类模型时，
VCanna·2022-12-08 17:01

【机器学习】特征工程的最佳实践

特征工程是为机器学习创建新输入功能的过程，是改进预测模型的最有效方法之一。提出功能很困难，耗时，需要专业知识。“应用机器学习”基本上是特征工程。
ChenVast·2022-12-08 17:58

图像数据的特征工程

一提到特征工程，我们立即想到是表格数据。但是我们也可以得到图像数据的特征，提取图像中最重要的方面。这样做可以更容易地找到数据和目标变量之间的映射。这样可以使用更少的数据和训练更小的模型。
deephub·2022-12-08 17:27

从零开始：机器学习的数学原理和算法实践--学习笔记（2）

数据准备阶段数据采集数据清洗:去除不合理的值、缺失值处理不均衡样本处理:上采样、下采样数据类型转化:one-hot编码数据标准化:max-min标准化、z-score标准化（将数据转化为均值为0，方差为1的正态分布）特征工程特征构建特征提取特征选择
weixin_45752264·2022-12-08 12:54

NNDL 实验3 线性回归

数据集构建.2.3.2模型构建2.3.3模型训练2.3.4模型评估2.4Runner类介绍2.5基于线性回归的波士顿房价预测2.5.1数据处理2.5.1.2数据清洗2.5.1.3数据集划分2.5.1.4特征工程
喝无糖雪碧·2022-12-08 11:34

新年第一篇---算法浅谈

在数据挖掘里面，要单独的会机器学习的特征工程，和其它的领域的知识，比方金融公司，可能要知道一些金融公司业务方面的知识。数据挖掘，可能有几个附加的知识也需要知道，有的数据挖掘岗，它需要一些机器
L先生AI课堂·2022-12-08 10:29

风控模型师面试准备--技术篇

转载：https://zhuanlan.zhihu.com/p/56175215一.算法逻辑回归决策树集成学习（随机森林，Adaboost，GBDT，XGBOOST，LightGbm）二.特征工程三.模型评估与优化一
大山6688·2022-12-08 10:52

数值处理--特征工程

1.特征工程特征归一化问：为什么需要对数值类型的特征做归一化？分析解答：为了消除数据特征之间的量纲影响，对特征进行归一化处理，使得不同指标之间具有可比性。
小虾仁芜湖·2022-12-08 10:17

R机器学习：特征工程与特征选择的介绍

看了很多高深的算法之后，感觉还是看不懂哦，今天又来代大家复习基本功，一个是特征工程，另一个是特征选择。
公众号Codewar原创作者·2022-12-07 22:00

Python中的时序分析工具包推荐（2）

导读在前期推文Python中的时序分析工具包推荐（1）中介绍了时序分析的三个工具包，分别侧重于时序特征工程、基于sklearn的时序建模和更为高级的时序建模工具。
Small_Teenager·2022-12-07 17:11

python 特征工程_特征工程总结：R与Python的比较实现

文前提要特征工程概述特征选择的一般步骤特征工程的主要包含的内容框架特征选择的主要方法和python与R的比较实现目录1.特征工程概述2.特征工程知识框架3.特征工程的一般步骤4.特征选择的python与
weixin_40001634·2022-12-07 14:56
上一页 21 22 23 24 25 26 27 28 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他