特征工程

feature engineering

从原始数据中设计并构造机器学习模型所用输入变量(特征)的工作。

1篇文章最近提及

特征工程(feature engineering)是指对原始数据进行加工,以设计、选择和转换机器学习模型所用输入变量(特征)的工作。典型做法包括从日期中提取星期、组合多个列生成新变量、将类别值编码为数值、对取值范围进行归一化等。在传统机器学习中,它是决定模型性能的关键步骤,需要对数据和业务领域有所了解。

XGBoost等表格数据模型需要针对每个任务重复进行特征工程,而深度学习能直接从原始数据中学习表示,从而减轻这一负担。面向表格数据的基础模型则是进一步减少这项工作的尝试。

本条目依据AIPOST的文章与广为人知的事实整理。如有错误,请通过更正请求告诉我们。

涉及该条目的文章

  • 英伟达Agent Toolkit:模型不变,执行框架让得分升至100%AI资讯 ·

    对比对象是传统的表格机器学习技术栈:数据科学团队要用XGBoost或LightGBM为每个预测任务单独搭建一条流水线,包括手工特征工程、ETL作业,以及在分类和回归模型之间做基准测试。

    阅读文章

发现说明有误或找不到条目?

百科说明依据AIPOST的文章与广为人知的事实整理。如有错误,请通过更正请求告诉我们,我们会核实并修改。新文章中出现的名称会在文章发布后加入百科。