特徵工程

橋接器です。

將原始數據中的資訊提取出來，並轉換成模型能夠理解的數值形式。

• 特徵選擇 (Feature Selection)

  • 過濾法：基於統計學方法 (如方差、相關性) 篩選出與目標變數相關性高的特徵。
  • 包裹法： 通過不斷的訓練模型來選擇最優的特徵子集。
  • 嵌入法：模型訓練過程中學習到特徵的重要性，例如L1正則化、決策樹。

• 特徵轉換 (Feature Transformation)

  • 數值化：將類別型數據轉換為數值型數據，例如One-Hot Encoding。
  • 歸一化/標準化：將數據縮放到特定範圍，
  • 離散化： 將連續型數據轉換為離散型數據，例如分箱法。
  • 多項式特徵： 創造新的特徵，例如將兩個特徵相乘。
  • 交互特徵： 將兩個或多個特徵組合成新的特徵。

• 特徵降維 (Dimensionality Reduction)

  • PCA (Principal Component Analysis)： 將高維數據映射到低維空間，保留主要變異信息。
  • t-SNE (t-Distributed Stochastic Neighbor Embedding)： 將高維數據映射到低維空間，用於可視化。

  實作

---

如果你覺得這篇文章很棒，請你不吝點讚 (ﾟ∀ﾟ)