特征工程之特征表达 ——特征缺失

最新推荐文章于 2025-07-07 18:39:56 发布
原创 最新推荐文章于 2025-07-07 18:39:56 发布 · 371 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#机器学习

博客围绕特征工程中的特征表达展开，虽未给出详细内容，但可知聚焦于信息技术领域中特征工程这一关键环节，特征表达是其重要组成部分，对机器学习等相关领域有重要意义。
lly980310
关注
第2篇：数据预处理——清洗、转换与特征工程
加入“Super Entity”，与全能开发团队共探AI智能体与数字人项目，开启前沿技术之旅。
03-06 983
数据预处理是AI和机器学习项目中不可或缺的一步。通过数据清洗、转换和特征工程，可以显著提升数据的质量和模型的性能。希望本文的代码示例和注意事项能帮助你在实际项目中更好地处理数据。接下来，我们将继续深入机器学习的基础知识，探索线性回归与逻辑回归的应用。
机器学习笔记七——特征工程之特征处理
weixin_45666566的博客
06-12 4637
特征处理1、特征编码2、特征缩放 1、特征编码 2、特征缩放
图像特征表达
03-20
图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达图像特征表达
从特征表示到深度学习
彼岸花
10-26 3991
最近一直在学习特征表达和学习的理论基础，从稀疏
特征工程-特征选择、特征表达、特征预处理
qq_40647378的博客
07-15 647
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。后面还有两篇会关注于特征表达和特征预处理。一、特征选择1. 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。我们就针对这两部分来分别讨论。 选择合适的特征　　　　 我们首先看当业务已经整理好各
特征工程之特征表达
weixin_30482181的博客
05-19 2315
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。主要包括缺失值处理，特殊的特征处理比如时间和地理位置处理，离散特征的连续化和离散化处理，连续特征的离散化处理几个方面。 1. 缺失值处理 特征有缺失值是非常常见的，大部分机器学习模型在拟合前需要所有的特征都...
特征工程——特征表达
qq_42012732的博客
07-07 487
1. 缺失值处理 该特征： 连续值：用平均值填补缺失值；中位数填补缺失值。 离散值：样本中最频繁出现的类别值，来填充缺失值。 2. 特殊类型的特征 比如日期时间，比如显示2020/07/07，这样的值一般没办法直接使用。 对于时间原始特征，处理方法有很多： 使用连续的时间差值法，即计算出所有样本的时间到某一个未来时间之间的数值差距，这样这个差距是UTC的时间差，从而将时间特征转化为连续值。 根据时间所在的年，月，日，星期几，小时数，将一个时间特征转化为若干个离散特征，这种方法在分析具有明显时间趋势的问
【AI深究】特征工程（Feature Engineering）深度解析：原理、算法与工程实践|核心原理、主流方法、数学表达、未来趋势|归一化与标准化、降维、文本、时间、类别型、AutoFE|未来前沿
最新发布
AI人工智能爱酱～你的AI学习好帮手～
07-07 4014
大家好，我是爱酱。本篇延续将会系统梳理特征工程（Feature Engineering）的定义、核心流程、主流方法、数学表达、工程实践与未来趋势，结合数学公式，帮助你全面理解这一机器学习与AI落地的“灵魂工程”。 注：本文章含大量数学算式、详细例子说明及大量代码演示，大量干货，建议先收藏再慢慢观看理解。新频道发展不易，你们的每个赞、收藏跟转发都是我继续分享的动力！
数据预处理与特征工程—12.常见的数据预处理与特征工程手段总结
柳杰的博客
05-08 2870
文章目录引言1.数据预处理1.1 数据清洗1.1.1 异常值处理1.1.2 缺失值处理1.2 特征预处理1.2.1 数值型特征无量纲化1.2.1 连续数值型特征分箱1.2.1.1 无监督分箱法1.2.1.2 有监督分箱法 引言   数据预处理与特征工程包括Data PreProcessing（数据预处理）、Feature Extraction（特征提取）、Feature Selection（特征选择）和Feature construction（特征构造）等步骤 1.数据预处理   数据预处理又包括数据清洗与
特征工程（中）-特征表达
大数据与人工智能
07-31 568
点击上方“大数据与人工智能”，“星标或置顶公众号”第一时间获取好内容作者丨stephenDC这是作者的第14篇文章在上一篇《特征工程（上）—特征选择》中，我们解决了从哪些...
特征预处理：缺失值
mmc2015的专栏
03-25 1316
1）直接丢掉 2）属性均值/众数代替 3）（类间）属性均值/众数代替；最常用 4）用其他属性预测（贝叶斯、决策树）；效果最好，较复杂。比如：先用其他属性来构建对该属性（利用已知的部分）的回归模型，然后对缺失的部分，使用该模型计算新值。
特征表达与特征提取资料整理
Shannon_1997的博客
09-02 1717
主要有6类：颜色、纹理、形状、空间关系、尺度、深度学习 图像处理的另一个主要分支是图像理解，图像理解的关键是图像特征提取，图像理解与分析的过程可以看做是一个信息提取过程，从图像中提取有用的数据、信息或度量，生成描述或表示。图像的特征分析是图像理解的基础之一，通过对图像的特征提取和表达，提取图像所包含的原始属性或特性，从而为图像分析或识别奠定基础。图像特征是指图像的原始特性或属性，可以分为视觉特征...
特征工程：缺失值处理
weixin_43934593的博客
11-28 1122
缺失值包含的不止是字面意思那样为空的值，比如-999，-1或其他特殊字符也可能代表缺失值 隐藏的缺失值 当遇到特殊数字-1之类的情况时，我们如何确定它代表的是缺失值呢？我们可以画出特征的分布图，如果-1远离大部分值的分布范围，那极有可能-1代表的就是缺失值 缺失值填充 1.-999，-1等 相当于把缺失的情况当做一种特殊类别来处理，对linear model，神经网络性能有影响 2.均值，中位数...
NLP问题特征表达基础 - 语言模型（Language Model）发展演化历程讨论
weixin_30685029的博客
08-03 864
1. NLP问题简介 0x1：NLP问题都包括哪些内涵 人们对真实世界的感知被成为感知世界，而人们用语言表达出自己的感知视为文本数据。那么反过来，NLP，或者更精确地表达为文本挖掘，则是从文本数据出发，来尽可能复原人们的感知世界，从而表达真实世界的过程。这里面就包括如图中所示的模型和算法，包括： （1）文本层：NLP文本表示； （2）文本-感知世界：词汇相关性分析、主题模型、意见情感...
特征工程中缺失值处理
zgf605506394的博客
02-15 1738
特征工程中缺失值处理 缺失值极多：把该特征直接舍弃 非连续特征缺失值适中：把NaN作为一个新类别 连续特征缺失值适中：给定一个step，离散化，把NaN作为一个type放入到特征中 缺失值较少： 利用填充的方法进行处理，常见的有均值，众数，中位数填充； 用sklearn中的RandomForest模型区拟合数据样本训练模型，然后去填充缺失值； 拉格朗日插值法 ...
One-Hot编码原理与应用：机器学习特征工程必备技术
One-Hot编码（One-Hot Encoding），又称独热编码，是机器学习与数据科学中一种极为关键的特征工程手段，主要...特别是在大数据背景下，如何高效处理大规模分类变量的编码转换，已成为现代特征工程研究的重要方向之一。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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