机器学习9：使用 TensorFlow 进行特征组合编程实践

最新推荐文章于 2024-07-07 00:53:27 发布

Jin_Kwok

最新推荐文章于 2024-07-07 00:53:27 发布

阅读量1k

点赞数 1

分类专栏：深入浅出解读机器学习文章标签：机器学习人工智能

本文链接：https://blog.csdn.net/Jin_Kwok/article/details/131439468

版权

34 篇文章 16 订阅 ¥9.90 ¥99.00

订阅专栏

本文通过编程案例探讨特征组合（Feature Crosses）在机器学习模型训练中的作用，以预测房价为例，比较使用浮点表示法、以桶表示纬度和经度，以及特征交叉表示位置对模型性能的影响。实验结果显示，特征交叉表示位置能带来更好的模型收敛效果。

摘要由CSDN通过智能技术生成

在【机器学习6】这篇文章中，笔者已经介绍过环境准备相关事项，本文对此不再赘述。本文将通过编程案例来探索特征组合（Feature Crosses）对模型训练的影响，加深对上一篇文章（机器学习8）的理解。

经度和纬度可以作为独立特征训练模型以预测当地房价。同时，我们也可以将经度和纬度进行交叉生成交叉特征，进而训练房价预测模型。那么，那种方式更好呢？更进一步，房价与精确的精度和纬度强相关么？未必，那么直接使用精度和纬度数据是不是不太合适呢？学习本篇文章，我们一起来探索吧。

import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow.keras import layers
from matplotlib import py

了解本专栏

关注