特征工程

本文讲介绍在Kaggle比赛和日常工作中常见的降维方法，这些方法可以划分为线性降维和非线性降维。

本文将介绍基础的特征编码方法。

表格数据的特征工程本是一个模块化过程，目标是对数据集进行编码以获得更好的模型精度。

特征工程是从数据中提炼出能更好识别目标对象特征的过程，包含原始数据加工、提取有效价值信息等，是机器学习中核心的一环。

在机器学习方面，人们可以采取的改进 ML 模型预测的方法是选择正确的特征并删除对模型性能影响微不足道的特征。

虽然性能优化会损害预测准确性，但更简单的模型通常运行得更快，也不容易过拟合。

通过agg函数，可以同时对多列进行提取特征，非常适合用于特征工程。

本文将介绍如何通过学习曲线来有效识别机器学习模型中的过拟合和欠拟合。

特征工程是机器学习流程中的关键步骤，涉及将原始数据转化为适合训练机器学习模型的格式，以及转化为机器学习模型实际部署后的输入数据。

对于不同的数据科学家，特征工程可能呈现不同的意义。对于一些数据科学家，特征工程是我们如何缩减用于监督模型的特征。