特征工程入门与实践

封面

版权信息

作者简介

数字版权声明

前言

第1章 特征工程简介

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

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AI

1.11 小结

第2章 特征理解：我的数据集里有什么

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

第3章 特征增强：清洗数据

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4章 特征构建：我能生成新特征吗

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

第5章 特征选择：对坏属性说不

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

第6章 特征转换：数学显神通

6.1 维度缩减：特征转换、特征选择与特征构建

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

第7章 特征学习：以AI促AI

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RBM

7.5 学习文本特征：词向量

7.6 小结

第8章 案例分析

8.1 案例1：面部识别

8.2 案例2：预测酒店评论数据的主题

8.3 小结

版权声明