特征工程入门与实践

本书将带你了解特征工程的完整过程，使机器学习更加系统、高效。你会从理解数据始学习，机器学习模型的成功正是取决于如何利用不同类型的特征，例如连续特征、分类特征等。你将了解何时纳一项特征、何时忽略一项特征，以及其中的原因。你还会学习如何将问题陈述转换为有用的新特征，如何提供由商业需求和数学见解驱动的特征，以及如何在自己的机器上行机器学习，从而自动学习数据中的特征。
【推荐语】
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。 - 识别和利用不同类型的特征 - 清洗数据中的特征，提升预测能力 - 为何、如何行特征选择和模型误差分析 - 利用领域知识构建新特征 - 基于数学知识交付特征 - 使用机器学习算法构建特征 - 掌握特征工程与特征优化 - 在现实应用中利用特征工程
【作者】
锡南·厄兹代米尔（Sinan Ozdemir） 数据科学家、数学家、约翰·霍普金斯大学讲师，Kylie.ai公司联合创始人、CTO，在应用数据挖掘、功能分析和算法发做出基于数据和知识的决策方面拥有丰富的经验。 迪夫娅·苏萨拉（Divya Susarla） 在利用数据方面经验丰富，在包括投资管理、社会企业咨询和红9营销的各个产业和领域里实现并应用过相应的策略。Kylie.ai公司产品经理，目前专注于自然语言处理和生成技术。