- 综合排序
- 最热优先
- 最新优先
- 来自专栏数据派THU
5 分钟了解机器学习的特征工程
来源：DeepHub IMBA 本文约1300字，建议阅读5分钟 在本文中，我们将了解什么是特征工程以及如何将其应用于您的机器学习算法。 介绍 在我们进一步研究之前，我们需要定义机器学习中的特征。 如果您不熟悉机器学习，那么特征就是机器学习算法模型的输入。 什么是特征工程？ 特征工程使用数学、统计学和领域知识从原始数据中提取有用的特征的方法。 例如，如果两个数字特征的比率对分类实例很重要，那么计算该比率并将其作为特征包含可能会提高模型质量。 例如有两个特征：平方米和公寓价格。您可能需要通过获取每平方米价格来创建特征以改进您的模型。 如何做特征工程？ 让我们看看特征工程的不同策略。在本文中，我们不会看到所有方法，而是最流行的方法。添加和删除特征： 假设我们确实具有以下特征： 如果我们想预测公寓的价格，植物的数量可能无关紧要。 总结 特征工程将帮助您： 借助适当的特征，解决适当的业务案例问题。 提高机器学习算法的性能。 编辑：文婧
47510编辑于 2023-03-29 - 来自专栏机器学习初学者精选文章
【特征工程】不容错过的 5 种特征选择的方法！
特征选择是从原始特征中选择出一些最有效特征以降低数据集维度、提高法性能的方法。 我们知道模型的性能会随着使用特征数量的增加而增加。但是，当超过峰值时，模型性能将会下降。 这就是为什么我们只需要选择能够有效预测的特征的原因。 特征选择类似于降维技术，其目的是减少特征的数量，但是从根本上说，它们是不同的。 特征选择有很多方法，在本文中我将介绍 Scikit-Learn 中 5 个方法，因为它们是最简单但却非常有用的，让我们开始吧。 (RFE) 递归特征消除或RFE是一种特征选择方法，利用机器学习模型通过在递归训练后消除最不重要的特征来选择特征。 5、顺序特征选择(SFS) 顺序特征选择是一种贪婪算法，用于根据交叉验证得分和估计量来向前或向后查找最佳特征，它是 Scikit-Learn 版本0.24中的新增功能。
1.2K10发布于 2021-04-16 - 来自专栏DeepHub IMBA
5 分钟了解机器学习的特征工程
介绍 在我们进一步研究之前，我们需要定义机器学习中的特征。 如果您不熟悉机器学习，那么特征就是机器学习算法模型的输入。 什么是特征工程？ 特征工程使用数学、统计学和领域知识从原始数据中提取有用的特征的方法。 例如，如果两个数字特征的比率对分类实例很重要，那么计算该比率并将其作为特征包含可能会提高模型质量。 例如有两个特征：平方米和公寓价格。您可能需要通过获取每平方米价格来创建特征以改进您的模型。 如何做特征工程？ 让我们看看特征工程的不同策略。在本文中，我们不会看到所有方法，而是最流行的方法。 将多个特征组合成一个特征： 在上面的例子中，我们可以看到平方米和平方英尺实际上是相同的数据，但不是相同的单位。 总结 特征工程将帮助您： 借助适当的特征，解决适当的业务案例问题。 提高机器学习算法的性能。 作者：Florian Bouron
56120发布于 2021-08-20 - 来自专栏全栈程序员必看
特征工程
1.特征工程 特征归一化 问：为什么需要对数值类型的特征做归一化？ 分析解答： 为了消除数据特征之间的量纲影响，对特征进行归一化处理，使得不同指标之间具有可比性。 2.类别型特征 类别型特征指在有限选项内取值的特征。 3 高维组合特征的处理 问题：什么是组合特征？如何处理高维组合特征？ 为了提高复杂关系的拟合能力，在特征工程中疆场会把一阶离散特征两两组合，构成高阶组合特征。 5 文本表示模型 问题：有哪些文本表示模型？它们各有什么优缺点？ 词袋模型和N-gram模型 最基础的文本表示模型是词袋模型。就是将每篇文章看成一袋子词，并忽略每个词出现的顺序。 深度学习模型提供了一种自动地进行特征工程的方式，模型中的每个隐层都可以认为对应着不同抽象层次的特征。
59420发布于 2021-05-20 - 来自专栏小明的博客
特征工程
数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。 特征工程本质是一项工程活动，目的是最大限度地从原始数据中提取特征以供算法和模型使用。 通常来说，从两个方面考虑来选择特征： 特征是否发散： 如果一个特征不发散，例如方差接近于 0，也就是说样本在这个特征上基本上没有差异，这个特征对于样本的区分并没有什么用。 信息增益度量：特征f的信息增益定义为使用特征f的先验不确定性与期望的后验不确性之间的差异。若特征f1的信息增益大于特征f2的信息增益，则认为特征f1优于特征f2。 它的主要思想是在不同的数据子集和特征子集上运行特征选择算法，不断的重复，最终汇总特征选择结果，比如可以统计某个特征被认为是重要特征的频率（被选为重要特征的次数除以它所在的子集被测试的次数）。 决策树生成的过程也就是特征选择的过程。 特征选择可以使用ITMO_FS，它是一个特征选择库，它可以为 ML 模型进行特征选择。拥有的观察值越少，就越需要谨慎处理过多的特征，以避免过度拟合。
1.2K20编辑于 2022-09-06 - 来自专栏用户画像
特征工程
特征工程是用数学转换的方法将原始输入数据转换为用于机器学习模型的新特征。 特征工程提高了机器学习模型的准确度和计算效率，体现在以下五个方面 1、把原始数据转换成与目标相关的数据 我们可以使用特征工程对原始数据进行转换，使其更接近目标变量，转换后的特征对目标更有预测性。 这些情况下，在驱动数据生成、链接原始数据和目标变量的过程中，产生更有指示性的新特征，这样更有价值。 5、用大特征集提高创造性 特征工程使得我们可以扔进大量的特征，观察它们代表了什么。 引自《机器学习实战》 在机器学习应用领域中，特征工程扮演着非常重要的角色，可以说特征工程是机器学习应用的基础。 在机器学习应用中，特征工程介于“数据”和“模型”之间，特征工程是使用数据的专业领域知识创建能够使机器学习算法工作的特征的过程，而好的数据胜于多的数据。
86310发布于 2019-08-29 - 来自专栏mathor
特征工程
这次特征工程主要是以天池的一个二手车交易价格预测比赛出发进行学习 特征工程和数据清洗转换是比赛中至关重要的一块，因为数据和特征决定了机器学习的上限，而算法和模型只是逼近这个上限而已，所以特征工程的好坏往往决定着最后的结果 特征工程一般包括特征构造，特征选择，降维等步骤，但是它一般是和数据清洗转换放在一块，也有的把这两块统称为特征工程，因为两者联系实在是密切（你中有我，我中有你的景象） 通过数据清洗和转换，我们能够更好地表示出潜在问题的特征 5/15、4/15、3/15、2/15、1/15。 假设新车价12万元，已行驶7.5万公里（5年左右），那么该车估值为$12×(3+3+2+1)÷15=7.2$万元 # 分成三段 bins = [0, 5, 10, 15] num_data['kil_bin 总结 梳理一下上面的知识：特征工程和数据清洗分不开，特征工程部分包括特征构造，特征筛选和降维等技术，特征构造部分，我们需要发散思维，根据背景尽可能的构造特征出来，挖掘数据的潜在信息，当然，构造的时候，不同字段的特征得分开处理
62620发布于 2020-03-31 - 来自专栏机器学习算法原理与实践
特征工程之特征表达
在特征工程之特征选择中，我们讲到了特征选择的一些要点。本篇我们继续讨论特征工程，不过会重点关注于特征表达部分，即如果对某一个特征的具体表现形式做处理。 对地理特征，比如“广州市天河区XX街道XX号”，这样的特征我们应该如何使用呢？处理成离散值和连续值都是可以的。如果是处理成离散值，则需要转化为多个离散特征，比如城市名特征，区县特征，街道特征等。 比如对于用户的ID这个特征，如果要使用独热编码，则维度会爆炸，如果使用特征嵌入就维度低很多了。对于每个要嵌入的特征，我们会有一个特征嵌入矩阵，这个矩阵的行很大，对应我们该特征的数目。 当然有时候转化为三值特征或者四值特征也是可以的。 对于分类问题的特征输出，我们一般需要用sklearn的LabelEncoder将其转化为0,1,2，...这样的类别标签值。 5. 小结 本文总结了特征表达的一些具体方法， 但是特征表达的方法便不止于上文中的方法，毕竟这是工程实践。但是上文中的方法是比较普遍的，希望可以给大家一些帮助和启发。
1K30发布于 2018-08-07 - 来自专栏机器学习算法原理与实践
特征工程之特征选择
特征工程是数据分析中最耗时间和精力的一部分工作，它不像算法和模型那样是确定的步骤，更多是工程上的经验和权衡。因此没有统一的方法。这里只是对一些常用的方法做一个总结。本文关注于特征选择部分。 特征的来源 在做数据分析的时候，特征的来源一般有两块，一块是业务已经整理好各种特征数据，我们需要去找出适合我们问题需要的特征；另一块是我们从业务特征中自己去寻找高级数据特征。 这个特征集合有时候也可能很大，在尝试降维之前，我们有必要用特征工程的方法去选择出较重要的特征结合，这些方法不会用到领域知识，而仅仅是统计学的方法。 最简单的方法就是方差筛选。 寻找高级特征 在我们拿到已有的特征后，我们还可以根据需要寻找到更多的高级特征。比如有车的路程特征和时间间隔特征，我们就可以得到车的平均速度这个二级特征。 个人经验是，聚类的时候高级特征尽量少一点，分类回归的时候高级特征适度的多一点。 4. 特征选择小结 特征选择是特征工程的第一步，它关系到我们机器学习算法的上限。
1.3K20发布于 2018-08-07 - 来自专栏算法研习社
特征工程（中）- 特征表达
在本篇中我们聊一下特征表达（或者说特征编码）的问题，即从这些选定的维度，如何去刻画特定的对象。 01 特征表达要考虑哪些方面？ 从一个完整的机器学习任务来看，在选择完特征之后，特征表达的任务就是要将一个个的样本抽象成数值向量，供机器学习模型使用。因此，特征表达就要兼顾特征属性和模型需求这两个方面。 特征属性 特征按其取值类型不同，可以简单分为连续型和离散型。而离散型特征，又可以分为类别型和序列型。下面依次简要说明。 连续型特征：取值为连续实数的特征。 比如，身高，175.4cm。 模型需求 如果你在公司负责建模调优，那你对负责特征工程的同事，会有什么样的需求呢？换言之，你希望他们给你什么样的特征呢？ 应该不外乎这么几点，类型匹配、特征准确性、特征完备性和方便模型训练。 对文中提到的归一化，我们认为也是特征表达的一个方面，但这个问题不太核心，且限于篇幅，不再详述。下篇文章将是特征工程系列的最后一篇，届时会讨论特征评估的问题。
89830发布于 2020-07-21 - 来自专栏光城(guangcity)
特征工程之特征关联
特征工程之特征关联 0.说在前面 1.皮尔逊 2.pointbiserialr系数 3.Spearman's 系数 4.总结 5.作者的话 0.说在前面 昨天学习了seaborn绘制图形 ，以及单变量与多变量之间的绘图，那么今天从统计学角度实战分析在处理特征工程过程中所涉及的三个相关系数(具体的三个系数数学推导，在后续更新)。 针对连续变量，我们在做特征工程时，需要做的便是皮尔逊系数分析！ 表示图的大小 for col in continuous_cols: sns.jointplot(x=col, y="price", data=kc_train, alpha=0.3, size=5) 5.作者的话 最后，您如果觉得本公众号对您有帮助，欢迎您多多支持，转发，谢谢！ 更多内容，请关注本公众号机器学习系列！
1.7K20发布于 2019-09-20 - 来自专栏机器学习AI算法工程
特征工程(四): 类别特征
500美元的股票价格比100美元的价格高5倍。 所以股票价格应该用一个连续的数字变量表示。 另一方面，公司的产业（石油，旅游，技术等）应该无法被比较的，也就是类别特征。 每个位都是一个特征。 因此是一个绝对的具有k个可能类别的变量被编码为长度为k的特征向量。 表5-1 对3个城市的类别进行独热编码 ? 单热编码非常易于理解。 但它使用的是比严格必要的更多的一点。 例如，如果原件特征是文档中的单词，那么散列版本将具有固定的词汇大小为m，无论输入中有多少独特词汇。 例5-3 对单词的特征哈希 ? 然而，因为它是一种特征工程技术，而不是一种建模或优化方法，所以没有关于该主题的研究论文。 Avazu竞赛使用广告数据来预测点击率，但我们将使用它来演示如何bin计数可以大大减少大的特征空间流数据量。 例子5-6 Bin-counting例子 ?
3.9K20发布于 2019-10-28 - 来自专栏算法研习社
特征工程（下 ）- 特征评估
作者丨stephenDC 编辑丨Zandy 作者会在本文中结合自己在视频推荐方面的工作经验，着重从工程实现方面，讲述如何对特征进行评估的问题。 特征工程的最终目的是提供给模型做预测，因此只要特征在模型上表现的好就够了。这话一点儿没错，但倘若特征的表现不如人意呢？我们有没有办法提前发现问题，或者说如果最后不得不推倒重来，怎么找到改进的方向。 所以，这种方法从原理上决定了，对没有被播放过或刚上线不久未被用户充分选择的视频，因为得到的特征会不准确，都无法覆盖。 特征维度 在实际工程实现的时候，特征的维度是一个非常重要的考虑因素。 作者曾经基于Spark mllib来做特征工程，后来发现mllib有一个致命的缺陷，就是只实现了数据分布式，而没有实现参数分布式。 没有这些相关同事的工作，特征工程就是巧妇难为无米之炊了。 小结 本文在“特征选择”和“特征表达”的基础上，聊了一下特征评估的问题。至此，特征工程系列终于结束。
1.7K20发布于 2020-07-21 - 来自专栏算法研习社
特征工程（上）- 特征选择
机器学习问题，始于构建特征。 特征质量的好坏，直接影响到最终的模型结果。 构建特征是一个很大的工程，总体来讲包括“特征选择”、“特征表达”和“特征评估”3个部分。 我们也按这3个部分，并结合自己的具体实践，用3篇文章来和大家聊一下特征工程的相关问题。 本篇文章，我们讨论一下特征选择。特征选择指的是，在全部的特征中，挑选出对最终的机器学习任务有用的特征。 在进行特征选择时，可以丢弃那些方差特别小的特征。 例子： 如果你手上有5个offer，年收入水平分别是100万、100.01万、100.02万、100.03万和100.04万，我想你最终会选择哪个offer，年收入这个因素基本对你没太大影响吧。 如果我们先从N个特征中选出一个最好的特征，然后让其余的N-1个特征分别与第一次选出的特征进行组合，从N-1个二元特征组合中选出最优组合。之后，再次在上次的基础上，添加一个新的特征，考虑3个特征的组合。
1.1K20发布于 2020-07-21 - 来自专栏AI 算法笔记
特征工程之特征缩放&特征编码
建议收藏好好阅读 机器学习入门系列（2）--如何构建一个完整的机器学习项目 第五篇 该系列的前四篇文章： 机器学习入门系列(2)--如何构建一个完整的机器学习项目(一) 机器学习数据集的获取和测试集的构建方法 特征工程之数据预处理 （上） 特征工程之数据预处理（下） 本篇文章会继续介绍特征工程的内容，这次会介绍特征缩放和特征编码，前者主要是归一化和正则化，用于消除量纲关系的影响，后者包括了序号编码、独热编码等，主要是处理类别型、文本型以及连续型特征 5.归一化不是万能的，实际应用中，通过梯度下降法求解的模型是需要归一化的，这包括线性回归、逻辑回归、支持向量机、神经网络等模型。 优点：模型简单 缺点：特征工程比较困难，但一旦有成功的经验就可以推广，并且可以很多人并行研究。 对于非线性模型（比如深度学习），通常使用“少量连续特征+复杂模型”。 优点：不需要复杂的特征工程 缺点：模型复杂 分桶 1.离散化的常用方法是分桶： 将所有样本在连续的数值属性 j 的取值从小到大排列。 然后从小到大依次选择分桶边界。
1.6K20发布于 2019-08-16 - 来自专栏AI 算法笔记
特征工程(完)
（上） 特征工程之数据预处理（下） 特征工程之特征缩放&特征编码 这也是特征工程系列最后一篇文章，介绍特征提取、特征选择、特征构建三个工作，通常特征工程被认为分为这三方面的内容，只是我将前面的数据&特征预处理部分都加入到这个系列 然后在上一轮的选定子集中加入一个特征，构成了包含两个特征的候选子集。 假定 A2,A5 最优，且优于 A2 ，于是将 A2,A5 作为第二轮的选定子集。 …. 嵌入式(embedding)：实际上是学习器自主选择特征。 5.最简单的特征选择方法是：去掉取值变化小的特征。 5.递归特征消除法：使用一个基模型来进行多轮训练，每轮训练后，消除若干权值系数的特征，再基于新的特征集进行下一轮训练。 ---- 小结 特征工程这个内容加上本文总共写了四篇文章，从数据预处理，处理缺失值、异常值，类别不平衡和数据扩充问题，到特征缩放、特征编码，以及本文的特征选择、特征提取和特征构造，基本包含了特征工程涉及的内容
1.1K20发布于 2019-08-16 - 来自专栏机器学习算法原理与实践
特征工程之特征预处理
在前面我们分别讨论了特征工程中的特征选择与特征表达，本文我们来讨论特征预处理的相关问题。主要包括特征的归一化和标准化，异常特征样本清洗与样本数据不平衡问题的处理。 1. 具体的方法是求出样本特征x的均值mean和标准差std，然后用（x-mean)/std来代替原特征。这样特征就变成了均值为0，方差为1了。 max-min标准化：也称为离差标准化，预处理后使特征值映射到[0,1]之间。具体的方法是求出样本特征x的最大值max和最小值min，然后用(x-min)/(max-min)来代替原特征。 image.png 此外，经常我们还会用到中心化，主要是在PCA降维的时候，此时我们求出特征x的平均值mean后，用x-mean代替原特征，也就是特征的均值变成了0, 但是方差并不改变。 结语 特征工程系列终于写完了，这个系列的知识比较零散，更偏向工程方法，所以不像算法那么紧凑，写的也不是很好，希望大家批评指正。如果有其他好的特征工程方法需要补充的，欢迎留言评论。
2K40发布于 2018-08-07 - 来自专栏1996
特征工程之类别特征
500美元的股票价格比100美元的价格高5倍。所以股票价格应该用一个连续的数字变量表示。另一方面，公司的产业（石油，旅游，技术等）应该无法被比较的，也就是类别特征。 大的分类变量在交易记录中特别常见。 等式 5-1. 独热编码e1,e2,e3限制条件。 因此，我们有一个线性的依赖性。线性相关特征，就像我们一样在tfidf中发现，有点烦人，因为它意味着训练线性模型不会是唯一的。 （见表5-3） 表5-3 三个不同城市的公寓价格数据集 id city Rent 0 SF 3999 1 SF 4000 2 SF 4001 3 NYC 3499 4 NYC 3500 5 NYC 3501 图5-2 哈希编码 当有很多特征时，存储特征向量可能占用很多空间。特征散列将原始特征向量压缩为m维通过对特征ID应用散列函数来创建矢量。 例5-3 对单词的特征哈希 def hash_features(word_list, m): output = [0] * m for word in word_list:
1.1K10编辑于 2022-09-23 - 来自专栏机器学习AI算法工程
特征工程(一)：
可能它们与模型相关联的事实也没那么明显；一些模型更适合某些类型的特征，反之亦然。正确的特征应该与手头的任务相关并且容易被模型摄取。特征工程是指给定数据、模型和任务是制定最佳特征的过程。 这并不意味着不再需要特征工程。好的特征不仅代表数据的显著方面，而且符合模型的假设。因此，转换常常是必要的。数字特征工程技术是基础。当原始数据被转换为数字特征时，它们可以被应用。 另一个解决方案是第5章讨论的bin计数方法。 考虑数值特征的分布也是很重要的。分布总结了承担特定价值的可能性。输入特征的分布对某些模型比其他模型更重要。 （严格地说，这将是目标工程，而不是特征工程。）对数变换，这是一种功率变换，将变量的分布接近高斯。另一个解决方案是第5章讨论的bin计数方法。 因此，所有道路最终都会指向某种数字特征工程技术。
1.4K30发布于 2019-10-28 - 来自专栏vincent随笔
特征工程笔记
虽然说特征工程很大程度上是经验工程，跟具体业务相关，但是我们可以根据一些思路来进行，以下是我在实践过程中总结出来的一些思路，希望能给大家带来一点启发。 散点图 scatter 分布图（seaborn.distplot） 热力图+协方差矩阵 heatmap 对比图 PairGrid 使用完热力图后将与目标属性最相关的几个属性做一个对比图，两两对比 1.特征构建 根据相关领域的经验和概览得到的信息，决定怎么对属性进行组合比较合适 原始属性 四则运算 求和 求增幅 求众数，方差，极差 特征交叉组合 特征随机组合，然后使用PCA降维 对结构化属性进行组合（四则运算 加权融合 对不同的特征采用不同的权重 数值归一化 数值重新赋值 将连续数值分段，进行离散化（one hot编码 TF-IDF编码） 3.特征选择 主成分分析（PCA） 因子分析 机器学习获取特征重要性分数 根据方差选择，选择方差大于一定阈值的特征（方差太小说明该特征的区别不明显）
30310发布于 2021-08-18
腾讯云开发者
