1回答
我一直在读一些关于数据预处理和特征工程的文章，包括特征选择，特征重要性和特征构造。我的理解是在数据预处理阶段应用了特征工程。此外，在应用机器学习模型时，有时会检查特征重要性，有时会在模式内部进行检查。 我的问题是:特征工程是否总是在预处理阶段实现，或者有时可以在以后的阶段执行？ 谢谢你Shos
浏览 45提问于2021-04-28得票数 0
1回答
如何进行实时数据的特征工程？
、、、、
我用以下步骤建立了一个很好的线性回归模型：
我的问题是，如果我们在生产环境中使用这个模型，那么我们如何进行实时数据的特征工程，因为这个模型是用特征归一化和缩放的来建立的，那么如何对实时数据进行规范化和</e
浏览 2提问于2017-03-01得票数 0
我在预处理方面有点困惑。一般来说，
场景1:我将数据集分解为训练、测试和验证，并应用诸如列车上的fit_transform和测试上的转换。场景2:另一种方法是首先对整个数据集应用转换，然后将数据集拆分为训练、测试和验证。在预处理和特征工程之前，或者在预处理和特征工程之后，我对数据的选择、划分有些困惑。寻找一个很
浏览 0提问于2019-03-07得票数 4
回答已采纳
1回答
我有一个非常困难的分类，不同的数据准备方法分为3类预处理，数据工程，功能工程。预处理通常被描述为“清理数据”。在这个职位中，前处理分为数据工程和特征工程。这里的数据工程实际上只是将数据放入某种模型可识别的形式，而功能工程
浏览 0提问于2023-01-06得票数 0
2回答
预处理、EDA和特征工程
、、、、
EDA、特征工程和预处理有什么区别？
主要目的是使原始数据适合于建模。在EDA中，我们正在清理数据，预处理也是如此。在有限元中，我们正在进行缩放和估算。
浏览 0提问于2021-08-17得票数 0
回答已采纳
2回答
因此，我需要对螺旋数据集进行分类。我一直在试验一系列算法，如KNN，Kernel SVM等。我想尝试使用特征工程，预处理等来提高Logistic回归的性能。这更像是对预处理和其他特征工程/提取方法的学习练习，看看我可以在多大程度上改进这个特定的模型。 以下是我将用于分类的示例数据集。任何关于如何操作数据集以在Logistic回归算法中使用的建议都将是有帮助的。 ? 我也有多个螺旋线的数据</
浏览 44提问于2021-07-12得票数 0
回答已采纳
2回答
大多数情况下，在数据准备就绪后，我将执行以下步骤：如果存在范畴变量，则应用虚拟刻度数据列车模型
对于我所遵循的这条道路，在哪里应用相关分析会更有意义在数据平衡之后？在缩放之后？还是刚开始？
浏览 0提问于2020-02-20得票数 2
我想做一些带有交叉验证的预处理(缩放，特征工程，例如目标编码)。我知道最好的和理论上正确的方法是为交叉验证的每个训练/测试步骤分别预处理数据。但是，我使用的是H2O，除非我弄错了，否则它不允许我创建预处理管道。在我看来，这避免了从训练样本到测试样本
浏览 12提问于2018-08-23得票数 0
回答已采纳
1回答
但我不能得到一些泡菜或类似的数据预处理。我正在做预处理：
从sklearn.preprocessing导入StandardScaler
现在，我想对我传递给预测的每一个<e
浏览 4提问于2018-06-30得票数 0
回答已采纳
1回答
当我正在寻找预处理的最佳步骤时，我开始怀疑这是否真的是必要的。假设设置和噪声以及任何类型的失真在两个类中都是相同的，即使占优势，当各种分类模型已经返回满意的原始数据
浏览 0提问于2017-06-08得票数 0
回答已采纳
我正在实现一个可伸缩的管道，用于清理我的数据并在建模之前对其进行预处理。我对用于预处理的sklearn Pipeline对象相当满意，但我不确定是否应该包括数据清理、数据提取和特性工程步骤，这些步骤通常更适合我正在处理的数据集。我的一般想法是，预处理阶段将包括对拆分后需要完成的数据进行操作，以避免数据泄漏。这些通常是：估算(如果不是按恒定值计算)另一方面，数据清理或
浏览 0提问于2020-12-11得票数 2
2回答
据我所知，这两种方法都提到将原始数据转化为更全面的特性来描述当前的问题。他们是一样的吗？如果没有，可以请任何人提供两个例子吗？
浏览 2提问于2016-08-24得票数 4
2回答
几天前，一家人工智能金融服务提供商给我们上了一课，并提到你应该根据具体的算法(你是using.For的例子)来进行具体的特征工程。当使用物流回归时，将更多的特征(不相关)(如将连续变量结合成离散变量)拟合成离散的特征往往是suggested.Because物流回归的一个简单算法，我们试图以更好地分离样本的方式来提高维数。我搜索了很多(也许还没有)，大多数材料是“为什么/什么特性工程重要”，“缩放/标准化/连续变量”，“处理空值”或一些没有离散操作的理论评论。为什么和<
浏览 0提问于2018-02-28得票数 0
我对ML和数据科学有一段时间了，但现在我开始探索时间序列预测，我有一个(让我们说)一个简单的问题:时间序列预测模型的特性/输入是什么？1.date (feature)3.sales (result)
我将使用这些数据来训练模型，但我的问题与预测有关例如，如果我有一个简单的分类问题，比如根据一个人的体重、身高和鞋号来预测性别，我将利用这些特征进行训练，然后我会为“未知”的人添加体重、身
浏览 0提问于2021-07-22得票数 0
我的预处理(特征工程)和后处理脚本都是用python编写的，其中有一些相互依赖的脚本和方法。预处理步骤也不一定来自SKLearn，它们是自定义函数，每次都需要从预处理端点调用原始数据，然后使用另存为第二端点的模型进行预测。第三个端点将用于后处理步骤，并连接这3个端点，我们希望每次都将数据从原始格式转换为输出格式。我们目前有一些普通的python脚本，它们使用一些高度定制的函数对数据进行预处理(所有功
浏览 21提问于2021-07-24得票数 0
1回答
平滑目标变量
、、
为了提高结果的准确性和置信度，我最近测试用目标变量的平滑版本(用局部加权散射图平滑( LOWESS)计算)替换目标变量，使用一个无滞后时间(即滞后时间= 0)的特征作为自变量，试图从测量数据中去除噪声。我一直在研究平滑技术在机器学习中的应用，发现平滑确实是一种用于数据预处理、特征工程和用于噪声滤波的数据挖掘(例如这里或这里；或这里，用于时间序列预测)的技术。一方面，从目标变量中删除噪声来估计从我试图建模的过程中得到的“真值”听起来是合
浏览 0提问于2021-12-09得票数 2
回答已采纳
2回答
如何选择神经网络的特征？
、、、
我知道这个问题没有一个明确的答案，但假设我有一个巨大的神经网络，有大量的数据，我想在输入中增加一个新的特性。
浏览 0提问于2014-07-10得票数 22
回答已采纳
1回答
基于树的算法需要什么特征工程？
、、、、
我理解数据卫生，这可能是最基本的特性工程。这意味着确保所有数据都正确加载，确保N/As被视为一个特殊值，而不是一个介于-1和1之间的数字，并正确地标记您的分类值。使用log、指数、幂变换将特征转化为正确的标度。但是，对于LightGBM (和
浏览 0提问于2017-08-08得票数 12
回答已采纳
我有一个原始的数据集与9个特征数字和第10列是一个分类国家=法国，德国，印度，中国，墨西哥。数据集有20000行。许多数值特征列缺少数据，而且没有规模。我应该预测一个特征值，它位于数据集中的第5列位置。我是否应该：
对整个原始数据集进行预处理，包括输入数据(用于丢失数据)、用于分类和特征缩放的编码器。在训练和</e
浏览 5提问于2017-09-29得票数 0
2回答
据我所知，在进行特征工程之前，必须将数据集分成训练数据和测试数据，以避免分析中的偏差。我还了解到，机器学习模型除了数字数据之外不理解数据，因此需要编码，这是特征工程的一部分。我的问题是，我是单独编码测试数据，还是预测函数理解分类数据。
浏览 0提问于2019-11-06得票数 1
回答已采纳
云服务器
ICP备案
云直播
对象存储
实时音视频
腾讯云开发者
