特征工程

在机器学习和数据处理中，每个样本通常由多个特征（Feature） 描述。

本文是关于机器学习框架的详细介绍，包括多个主流框架的特点、应用场景等。

本文将系统探讨如何利用机器学习的力量，制定更科学、更明智的战略决策。

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。