机器学习之特征工程：字典的特征提取总结反思

最新推荐文章于 2022-11-03 11:13:46 发布

cccccccaaaaaaaaa

最新推荐文章于 2022-11-03 11:13:46 发布

阅读量321

点赞数

文章标签： python 机器学习

本文链接：https://blog.csdn.net/cccccccaaaaaaaaa/article/details/105662697

版权

本文探讨了在机器学习中，如何进行字典特征的提取，通过图例和代码示例展示了利用Python实现的过程。重点强调了采用sparse矩阵形式的优势，特别是在处理大数据时能有效节省内存。

摘要由CSDN通过智能技术生成

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(Feature Engineering)
        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：将不同种类文本转换为数据类型，让计算机更好处理
                    机器学习算法 - 统计方法 - 数学公式
                        文本类型 -》 数值
                        类型 -》 数值
                    2.3.1 特征提取
                        sklearn.feature_extraction
                    2.3.2 字典特征提取 - 类别 -> one-hot编码
                    原理：字典是输入字典型数据以后，比如输入了三个字典（三个样例），每个字典两个特征值（图一），则最后将三个样本的两个特征值将变成位置变量以及对应值（若特征值等于字符串，则位置对应值1。若为数字，则对应值为数字）。
                    传参模式:[{
   'city': '北京','temperature':100}, {
   'city': '上海','temperature':60},