特征工程的力量

为什么你应该使用逻辑回归来建模非线性决策边界（使用 Python 代码）

作为一名大数据从业者，复杂的机器学习技术非常具有吸引力。使用一些深度神经网络 (DNN) 获得额外的 1% 准确率，并在此过程中启动 GPU 实例，这让人非常满意。然而，这些技术通常将思考留给计算机，让我们对模型的工作原理了解甚少。所以，我想回到基础知识。

在本文中，我希望教你一些关于特征工程的知识，以及如何使用它来建模非线性决策边界。我们将探讨两种技术的优缺点：逻辑回归（带有特征工程）和 NN 分类器。将提供用于拟合这些模型以及可视化其决策边界的 Python 代码。你可以在 Github¹ 上找到完整的项目代码。最后，我希望让你理解为什么特征工程可能是其他非线性建模技术的更好替代方案。

什么是特征工程

当你从原始数据创建特征或将现有特征的函数添加到数据集时