《特征工程入门与实践》读书笔记.pptxVIP

思维导图PPT模板《特征工程入门与实践》最新版读书笔记，下载可以直接修改 01第1章 特征工程简介第3章 特征增强：清洗数据第5章 特征选择：对坏属性说不第2章 特征理解：我的数据集里有什么第4章 特征构建：我能生成新特征吗第6章 特征转换：数学显神通目录0305020406 07第7章 特征学习：以AI促AI内容简介第8章 案例分析目录0908 内容摘要本书将带你了解特征工程的完整过程，使机器学习更加系统、高效。你会从理解数据开始学习，机器学习模型的成功正是取决于如何利用不同类型的特征，例如连续特征、分类特征等。你将了解何时纳入一项特征、何时忽略一项特征，以及其中的原因。你还会学习如何将问题陈述转换为有用的新特征，如何提供由商业需求和数学见解驱动的特征，以及如何在自己的机器上进行机器学习，从而自动学习数据中的特征。 第1章 特征工程简介特征工程（feature engineering）是这样一个过程：将数据转换为能更好地表示潜在问题的特征，从而提高机器学习性能。 1.1 激动人心的例子：AI驱动的聊天1.2 特征工程的重要性1.3 特征工程是什么1.4 机器学习算法和特征工程的评估1.5 特征理解：我的数据集里有什么1.6 特征增强：清洗数据010302040506第1章 特征工程简介 1.7 特征选择：对坏属性说不1.8 特征构建：能生成新特征吗1.9 特征转换：数学显神通1.10 特征学习：以AI促AI1.11 小结12345第1章 特征工程简介 第2章 特征理解：我的数据集里有什么 特征和属性通常有明显的区分。 2.1 数据结构的有无2.2 定量数据和定性数据2.3 数据的4个等级2.4 数据等级总结2.5 小结12345第2章 特征理解：我的数据集里有什么 第3章 特征增强：清洗数据属性一般是表格数据的列，特征则一般只指代对机器学习算法有益的属性。 3.1 识别数据中的缺失值3.2 处理数据集中的缺失值3.3 标准化和归一化3.4 小结第3章 特征增强：清洗数据 第4章 特征构建：我能生成新特征吗 通常会利用轮廓系数（silhouette coefficient，这是一个表示聚类分离性的变量，在-1和1之间）加上一些人工分析来确定特征工程是提升了性能还是在浪费时间。 4.1 检查数据集4.2 填充分类特征4.3 编码分类变量4.4 扩展数值特征4.5 针对文本的特征构建4.6 小结010302040506第4章 特征构建：我能生成新特征吗 第5章 特征选择：对坏属性说不 一般而言，可以将监督学习分为两种更具体的类型：分类（预测定性响应）和回归（预测定量响应）。 5.1 在特征工程中实现更好的性能5.2 创建基准机器学习流水线5.3 特征选择的类型5.4 选用正确的特征选择方法5.5 小结12345第5章 特征选择：对坏属性说不 第6章 特征转换：数学显神通 在监督学习中，我们一般将数据集中希望预测的属性（一般只有一个，但也不尽然）叫作响应（response），其余属性叫作特征（feature）。 6.1 维度缩减：特征转换、特征选择与特...6.2 主成分分析6.3 线性判别分析6.4 LDA与PCA：使用鸢尾花数据集6.5 小结12345第6章 特征转换：数学显神通 第7章 特征学习：以AI促AI 特征是对机器学习过程有意义的数据属性。 7.1 数据的参数假设7.2 受限玻尔兹曼机7.3 伯努利受限玻尔兹曼机7.4 在机器学习流水线中应用RBM7.5 学习文本特征：词向量7.6 小结010302040506第7章 特征学习：以AI促AI 第8章 案例分析我们经常需要查看表格，确定哪些列是特征，哪些只是普通的属性。 8.1 案例1：面部识别8.3 小结8.2 案例2：预测酒店评论数据的主题第8章 案例分析 内容简介 数据的4个等级是：? 定类等级（nominal level）? 定序等级（ordinal level）? 定距等级（interval level）? 定比等级（ratio level） (1) 在应用任何特征工程之前，得到机器学习模型的基准性能； (2) 应用一种或多种特征工程； (3) 对于每种特征工程，获取一个性能指标，并与基准性能进行对比； (4) 如果性能的增量（变化）大于某个阈值（一般由我们定义），则认为这种特征工程是有益的，并在机器学习流水线上应用； (5) 性能的改变一般以百分比计算（如果基准性能从40%的准确率提升到76%的准确率，那么改变是90%）。 谢谢观看