zoukankan      html  css  js  c++  java
  • 1. 机器学习-特征工程

    1. 为什么常常需要对数值型数据的特征做归一化?

    为了消除数据特征之间的量纲影响,使不同指标之间具有可比性。数据归一化后,最优解的寻优过程明显会变得平缓,更容易正确的收敛到最优解。

    归一化的方法主要有:(1)线性函数归一化;
    (2)零均值归一化(标准化)。

    如果对输出结果范围有要求,或者数据较为稳定,不存在极端的取值的清况下,可以使用线性归一化;如果数据存在较多异常或噪声时,可以使用标准化.

    通过梯度下降法求解的模型通常是需要归一化的,包括线性回归/逻辑回归/支持向量机/神经网络模型等,但是对于决策树模型则并不适用。

    2. 怎样处理类别型特征?

    类别型特征主要是指只在有限项内取值的特征。
    常见的转换有以下三种:
    (1)序号编码;用于处理类别间具有大小关系的数据
    (2)独热码;用于处理类别间不具有大小关系的特征,在独热编码下,特征向量只有某一维取1,其他位置均取0.
    (3)二进制编码;先用序号编码给每一个类别赋予一个类别ID,再用该类别ID的二进制编码作为结果。相比独热码,它的维数一般较少,节省了存储空间。

  • 相关阅读:
    android从资源文件中读取文件流显示
    Android利用Bundle实现Activity间消息的传递
    MyEclipse 9本地安装插件的方法
    XXE漏洞利用详解
    批处理编写
    初见提权
    个人对ip的理解
    业务逻辑漏洞利用
    NTFS安全权限
    Windows系统管理
  • 原文地址:https://www.cnblogs.com/xl2432/p/10875003.html
Copyright © 2011-2022 走看看