基于sklearn分析特征工程(特征预处理、特征选择、降维)

本文详细介绍了特征工程的各个步骤,包括数据预处理(无量纲化、离散化、缺失值处理)、特征选择(Filter、Wrapper、Embedded方法)和降维技术(PCA、LDA、ICA)。通过sklearn库,展示了如何使用标准化、归一化、Binarizer、OneHotEncoder、Imputer等工具进行数据预处理,并讨论了如何利用VarianceThreshold、SelectKBest、L1/L2正则化、GBDT、RF和XGBoost进行特征选择。此外,还探讨了PCA、LDA和独立成分分析在降维中的应用。
摘要由CSDN通过智能技术生成

特征工程目的

降维/降低过拟合/泛化、解释性、加快训练速度、性能

特征工程框图


  • 数据预处理

无量纲化:转化不同规格的特征到同一规格

(1)标准化/z标准化

将符合正态分布的特征值转化为标准正态分布

使用sklearn.preproccessing库的StandardScaler类

(2)区间缩放法/线性归一化/0-1标准化

返回缩放到[0,1]区间的数据

使用sklearn.preproccessing库的MinMaxScaler类

  • 1
    点赞
  • 18
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值