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
（
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。
最低0.47元/天 解锁文章
扫一扫
422
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
