![](https://img-blog.csdnimg.cn/20190422164851262.jpeg?x-oss-process=image/resize,m_fixed,h_224,w_224)
面向机器学习的特征工程
面向机器学习的特征工程
绝不原创的飞龙
这个作者很懒,什么都没留下…
展开
-
面向机器学习的特征工程 六、降维:用 PCA 压缩数据集
来源:ApacheCN《面向机器学习的特征工程》翻译项目 译者:@cn-Wziv 校对:@HeYun通过自动数据收集和特征生成技术,可以快速获得大量特征,但并非所有这些都有用。在第 3 章和 在第 4 章中,我们讨论了基于频率的滤波和特征缩放修剪无信息的特征。现在我们来仔细讨论一下使用主成分分析(PCA)进行数据降维。本章标志着进入基于模型的特征工程技术。在这...翻译 2018-06-21 13:40:04 · 37151 阅读 · 0 评论 -
面向机器学习的特征工程 三、文本数据: 展开、过滤和分块
来源:ApacheCN《面向机器学习的特征工程》翻译项目 译者:@kkejili 校对:@HeYun如果让你来设计一个算法来分析以下段落,你会怎么做?Emma knocked on the door. No answer. She knocked again and waited. There was a large maple tree next to t...翻译 2018-06-21 13:37:20 · 37318 阅读 · 2 评论 -
面向机器学习的特征工程 一、引言
来源:ApacheCN《面向机器学习的特征工程》翻译项目 译者:@ZhipengYe 校对:(虚位以待)机器学习将数据拟合到数学模型中来获得结论或者做出预测。这些模型吸纳特征作为输入。特征就是原始数据某方面的数学表现。在机器学习流水线中特征位于数据和模型之间。特征工程是一项从数据中提取特征,然后转换成适合机器学习模型的格式的艺术。这是机器学习流水线关键的一步,因为正...翻译 2018-06-21 13:35:04 · 37092 阅读 · 1 评论 -
面向机器学习的特征工程 八、自动化特征提取器:图像特征提取和深度学习
视觉和声音是人类固有的感觉输入。我们的大脑是可以迅速进化我们的能力来处理视觉和听觉信号的,一些系统甚至在出生前就对刺激做出反应。另一方面,语言技能是学习得来的。他们需要几个月或几年的时间来掌握。许多人天生就具有视力和听力的天赋,但是我们所有人都必须有意训练我们的大脑去理解和使用语言。有趣的是,机器学习的情况是相反的。我们已经在文本分析应用方面取得了比图像或音频更多的进展。以搜索问题为例。人们在...翻译 2018-05-27 15:42:41 · 40894 阅读 · 0 评论 -
面向机器学习的特征工程 七、非线性特征提取和模型堆叠
七、非线性特征提取和模型堆叠 来源:ApacheCN《面向机器学习的特征工程》翻译项目 译者:friedhelm739 校对:(虚位以待)当在数据一个线性子空间像扁平饼时 PCA 是非常有用的。但是如果数据形成更复杂的形状呢?一个平面(线性子空间)可以推广到一个 流形 (非线性子空间),它可以被认为是一个被各种拉伸和滚动的表面。如果线性子空间是平的纸张,那么卷...翻译 2018-05-22 15:49:27 · 38847 阅读 · 0 评论