中信网

  • 关注天气:

搜索

当前位置: 主页 > IT互联网 >

数据的特征工程

时间:2019-12-09来源:互联网 作者:编辑 点击: 次
数据的特征工程 从数据中抽取出来的对预测结果有用的信息，通过专业的技巧进行数据处理，是的特征能在机器学习算法中发挥更好的作用。优质的特征往往描述了数据的固有结构。

数据的特征工程

从数据中抽取出来的对预测结果有用的信息，通过专业的技巧进行数据处理，是的特征能在机器学习算法中发挥更好的作用。优质的特征往往描述了数据的固有结构。 最初的原始特征数据集可能太大，或者信息冗余，因此在机器学习的应用中，一个初始步骤就是选择特征的子集，或构建一套新的特征集，减少功能来促进算法的学习，提高泛化能力和可解释性。

例如：你要查看不同地域女性的穿衣品牌情况，预测不同地域的穿衣品牌。如果其中含有一些男性的数据，是不是要将这些数据给去除掉

特征工程的意义

  • 更好的特征意味着更强的鲁棒性

  • 更好的特征意味着只需用简单模型

  • 更好的特征意味着更好的结果

特征工程之特征处理

特征工程中最重要的一个环节就是特征处理，特征处理包含了很多具体的专业技巧

  • 特征预处理

    • 降维

    • PCA

    • 归一化

    • 标准化

    • 缺失值

    • 单个特征

    • 多个特征

特征工程之特征抽取与特征选择

如果说特征处理其实就是在对已有的数据进行运算达到我们目标的数据标准。特征抽取则是将任意数据格式（例如文本和图像）转换为机器学习的数字特征。而特征选择是在已有的特征中选择更好的特征。后面会详细介绍特征选择主要区别于降维。
顶一下
(0)
0%
踩一下
(0)
0%
------分隔线----------------------------
发表评论
请自觉遵守互联网相关的政策法规，严禁发布色情、暴力、反动的言论。
评价:
最新评论 进入详细评论页>>
最新文章
最近热门文章
推荐文章
推荐内容
热点内容
随机文章

Copyright @ 中信网 版权所有 联系我们  

免责声明：本站为非营利性网站，部分图片或文章来源于互联网 如果无意中对您的权益构成了侵犯，我们深表歉意，请您联系，我们立即删除。