Python
Java
PHP
IOS
Android
Nodejs
JavaScript
Html5
Windows
Ubuntu
Linux
提高机器学习模型性能的五个关键方法
如何提高机器学习模型性能 可从五个关键方面入手 1 数据预处理 2 特征工程 3 机器学习算法 4 模型集成与融合 5 数据增强 以下是各个方面的具体分析和方法 说明 1 这里主要是各个关键方法的知识汇总梳理 便于集中学习 具体的实际应用内
机器学习
大数据
模型性能
数据预处理
特征工程
数据分箱6——分箱结果进行WOE转化
WOE的具体公式与含义请参考 特征筛选7 WOE Weight of Evidence IV值 Information Value 筛选特征 有监督筛选 WOE转化可以将分箱的阈值覆盖原有的值 一般来讲并不会改变预测精度 但是可以为可解释性
特征工程
python
机器学习
数据挖掘
数据挖掘学习(一):特征工程
文章目录 概述 一 特征选择 1 选择合适的特征 1 1 过滤法选择特征 1 2 包装法选择特征 1 3 嵌入法选择特征 2 寻找高级特征 二 特征表达 2 1 缺失值处理 2 2 特殊的特征处理 2 3 离散特征的连续化处理 2 4 离散
数据挖掘与数据竞赛
机器学习
特征工程
数据挖掘
【时序】特征工程-时间序列特征构造
数据和特征决定了机器学习的上限 而模型和算法只是逼近这个上限而已 由此可见 特征工程在机器学习中占有相当重要的地位 在实际应用当中 可以说特征工程是机器学习成功的关键 特征工程是什么 特征工程是利用数据领域的相关知识来创建能够使机器学习算法
时序相关
人工智能
深度学习
时序
特征工程
特征筛选1——根据方差筛选(单变量筛选)
根据给定方差的阈值 删除掉值变化小的维度 以此降低数据规模 当把阈值设置为0的时候 就会删除没有变化的数据 示例 import numpy as np from sklearn feature selection import Varian
python
机器学习
特征工程
sklearn
人工智能
调参1——随机森林贝叶斯调参
贝叶斯调参教程请参考 https blog csdn net weixin 35757704 article details 118480135 安装贝叶斯调参 pip install bayesian optimization 算法简介
特征工程
机器学习
随机森林
算法
用python将时间序列信号或一维数组 转化成 图像的几种方法
用python将时间序列信号或一维数组转化成图像的几种方法 深度学习在计算机视觉有了非常广泛的应用 视觉图像数据为二维数据 而在故障诊断领域的数据 来自于传感器的采集 属于典型的一维时间序列 因而绝大多数问题可以抽象成时间序列分类 TSC
特征工程
python
特征值分解
深度学习
信号处理
特征工程系列:自动化特征构造
特征工程系列 自动化特征构造 原创 JunLiang 木东居士 今天 0x00 前言 数据和特征决定了机器学习的上限 而模型和算法只是逼近这个上限而已 由此可见 特征工程在机器学习中占有相当重要的地位 在实际应用当中 可以说特征工程是机器学
特征工程
人工智能
自动化特征工程
«
1
2
3