特征工程(归一化、特征编码、特征组合、数据扩充)

特征工程对于机器学习至关重要,包括归一化以统一特征量级,加速梯度下降算法;特征编码将类别数据转换为数值;组合特征通过创建新的特征来丰富模型输入;数据扩充在数据不足时通过各种方式增强样本多样性,防止过拟合。

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

归一化

  1. 为什么要归一化
    直观操作是将各维特征转到同一个量级,平均对学习器的权重,同时还能加快基于梯度下降算法的收敛速度
  2. 归一化适用范围
    归一化在基于梯度下降的算法(SVM, DNNs)中能起到以上作用,不适用于决策树模型,决策树学习基于信息增益
  3. 常见归一化方法
  • 线性函数归一化 f n o r m = ( f − f m i n ) / ( f m a x − f m i n ) f_{norm}=(f-f_{min})/(f_{max}-f_{min}) fnorm=(f
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