特征工程是数据科学和机器学习流水线上的重要一环，包括识别、清洗、构建和发掘数据的特征，为一步解释数据并行预测性分析做准备。 本书囊括了特征工程的全流程，从数据检查到可视化，再到转换和一步处理等，并给出了大量数学工具，帮助读者掌握如何将数据处理、转换成适当的形式，以便送计算机和机器学习流水线中行处理。后半部分的特征工程实践用Python作为示例语言，循序渐，通俗易懂。
售 价：¥
纸质售价：¥39.60购买纸书
6.2
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
版权声明
前言
第 1 章 特征工程简介
1.1 激动人心的例子：AI驱动的聊天
1.2 特征工程的重要性
1.3 特征工程是什么
1.4 机器学习算法和特征工程的评估
1.5 特征理解：我的数据集里有什么
1.6 特征增强：清洗数据
1.7 特征选择：对坏属性说不
1.8 特征构建：能生成新特征吗
1.9 特征转换：数学显神通
1.10 特征学习：以AI促AI
1.11 小结
第 2 章 特征理解：我的数据集里有什么
2.1 数据结构的有无
2.2 定量数据和定性数据
2.3 数据的4个等级
2.4 数据等级总结
2.5 小结
第 3 章 特征增强：清洗数据
3.1 识别数据中的缺失值
3.2 处理数据集中的缺失值
3.3 标准化和归一化
3.4 小结
第 4 章 特征构建：我能生成新特征吗
4.1 检查数据集
4.2 填充分类特征
4.3 编码分类变量
4.4 扩展数值特征
4.5 针对文本的特征构建
4.6 小结
第 5 章 特征选择：对坏属性说不
5.1 在特征工程中实现更好的性能
5.2 创建基准机器学习流水线
5.3 特征选择的类型
5.4 选用正确的特征选择方法
5.5 小结
第 6 章 特征转换：数学显神通
6.1 维度缩减：特征转换、特征选择与特征构建
6.2 主成分分析
6.3 线性判别分析
6.4 LDA与PCA：使用鸢尾花数据集
6.5 小结
第 7 章 特征学习：以AI促AI
7.1 数据的参数假设
7.2 受限玻尔兹曼机
7.3 伯努利受限玻尔兹曼机
7.4 在机器学习流水线中应用RBM
7.5 学习文本特征：词向量
7.6 小结
第 8 章 案例分析
8.1 案例1：面部识别
8.2 案例2：预测酒店评论数据的主题
8.3 小结
看完了
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
