面向机器学习的特征工程

原文（注册后可阅读）：Feature Engineering for Machine Learning (Early Release)

协议：CC BY-NC-SA 4.0

欢迎任何人参与和完善：一个人可以走的很快，但是一群人却可以走的更远

• 在线阅读
• 在线阅读（Gitee）
• ApacheCN 机器学习交流群 629470233
• ApacheCN 学习资源
• 利用 Python 进行数据分析 第二版

目录

• 一、引言
• 二、简单数字的奇特技巧
• 三、文本数据：展开、过滤和分块
• 四、特征缩放的效果：从词袋到 TF-IDF
• 五、类别特征：机器鸡时代的鸡蛋计数
• 六、降维：使用 PCA 压缩数据集
• 七、非线性特征提取和模型堆叠
• 八、自动化特征提取器：图像特征提取和深度学习
• 九、回到特征：将它们放到一起
• 附录、线性模型和线性代数基础

负责人

• @飞龙: 562826179

免责声明

ApacheCN 纯粹出于学习目的与个人兴趣翻译本书，不追求任何经济利益。

本译文只供学习研究参考之用，不得用于商业用途。ApacheCN 保留对此版本译文的署名权及其它相关权利。

下载

Docker

docker pull apachecn0/fe4ml-zh
docker run -tid -p <port>:80 apachecn0/fe4ml-zh
# 访问 http://localhost:{port} 查看文档

PYPI

pip install fe4ml-zh
fe4ml-zh <port>
# 访问 http://localhost:{port} 查看文档

NPM

npm install -g fe4ml-zh
fe4ml-zh <port>
# 访问 http://localhost:{port} 查看文档

赞助我们