讨论机器学习中所有类型的特征变换

视频摘要：特征转换技术本视频主要讲解机器学习和深度学习中常用的特征转换技术。
开头
视频开头，作者首先宣布了公司 I Neuron 的一些员工，包括作者本人和他的家人，都检测出新冠阳性。作者呼吁大家重视疫情，注意防护，尽量避免外出，并祝愿所有感染的员工早日康复。
特征转换的必要性
视频接着解释了特征转换的必要性。作者指出，不同的特征通常使用不同的单位进行测量，比如身高用厘米、体重用公斤，而图像则用像素表示。在机器学习算法中，比如线性回归和 KNN，需要进行数值计算，而不同单位的特征会导致计算效率低下。因此，将特征转换为相同的单位，可以提高计算速度。
特征转换技术
视频最后介绍了多种常见的特征转换技术，包括：

标准化（Standardization）

归一化（Normalization）

最小-最大缩放（Min-Max Scalers）

鲁棒异常值处理（Robust Outliers）

高斯变换（Gaussian Transformation）

对数变换（Logarithmic Transformation）

倒数变换（Reciprocal Transformations）

平方根变换（Square Root Transformation）

指数变换（Exponential Transformation）

Box-Cox 变换（Box-Cox Transformation）
总结
视频重点介绍了特征转换技术的必要性和常见的几种方法，为观众提供了一个关于特征转换的概览。

https://github.com/krishnaik06/Types-Of-Trnasformation