数据挖掘之特征工程(笔记)

本文详细介绍了特征工程在数据挖掘中的重要性,包括特征处理的连续型特征的不处理、离散化和函数转换,无序类别和有序类别特征的数值化。此外,还探讨了特征选择的目的和不同类型的特征选择方法,以及模型评估在回归预测和分类预测问题中的应用。特征工程是耗时但关键的步骤,直接影响模型的性能和可解释性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

特征工程

在介绍特征工程之前,我们先看两张图。

图一是基本的数据挖掘场景

图二是特征工程的常见方法和步骤

特征工程(Feature Engineering)是数据挖掘模型开发中最耗时、最重要的一步。这里简单介绍笔者在模型开发中所总结的一些方法。

特征也就是我们常常说的变量/自变量,一般分为三类:

  • 连续型
  • 无序类别(离散)型
  • 有序类别(离散)型

特征工程(Feature Engineering)包括:特征处理(Feature Processing)特征选择(Feature Selection)

特征处理(Feature Processing)

连续型特征

不处理

除了归一化(去中心

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值