一.查看變量的缺失值（missing value，空值）個數以及所占比例 連續型數據探索 二.畫頻數占比分布圖，查看樣本在該特征值上的分布 根據連續變量的值域范圍，將該變量分成10箱，就是分成10段，箱數可自由選擇； 統計每一箱內樣本的頻數占比：該箱內樣本個數/總樣本個數 ...

轉自：https://blog.csdn.net/anshuai_aw1/article/details/83275299 本篇文章主要參考柯國霖大神在知乎上的回答，以及自己閱讀LGBM的部分源碼整理而來。 1、one-hot編碼弊端 one-hot編碼是處理類別特征的一個通用方法 ...

處理流程： 變長特征分割成變長數組 變長數據填充成規則數組，組成n * m的矩陣 (keras.preprocessing.sequence.pad_sequences) 每一行數據進行embedding，結果可以按權重求平均、直接求平均、求最大值 得到 n*1結果矩陣 ...

其中count encoder，one-hot encoder，label encoder主要針對低基數無序特征，比如性別。可以采用target encoder或者mean encoder的方法來針對高基數無序特征，比如地區，郵編等 一、Label Encoding ...

一、SIFT算法特征原理 SIFT即尺度不變特征轉換，它用來檢測圖像的局部性特征，在空間尺度中尋找極值點，提取這點的位置、尺度、旋轉不變量。這些關鍵點是一些十分突出，不會因光照和噪音等因素而變化的點，如角點、邊緣點、暗區的亮點及亮區的暗點等，所以與影像的大小和旋轉無關，對光線、噪聲、視角改變 ...

參加kaggle的都知道，特征處理比跑模型重要的多，在特征處理上的時間也更多，這里總結一下常見的特征處理方法，在書上或者博客上看見一些比較好的處理特征的方法，我就總結在這里，並注明出處，持續更新。。。 先看看特征工程的總體，下面這幅圖來自一次kaggle的特征工程總結，后面的總結不像這幅圖系統 ...

由於獲取位置特異性矩陣需要使用psiblast -db swissprot -query 0.txt -evalue 0.001 -num_iterations 3 -out_ascii_pssm 0.pssm命令獲取，然而該命令只對一個序列比對，如果把大量蛋白質序列輸入，其結果會不斷更新，最后 ...

1. 特征工程之特征預處理 2. 特征工程之特征選擇 1. 前言 “數據決定了機器學習的上限，而算法只是盡可能逼近這個上限”，這里的數據指的就是經過特征工程得到的數據。特征工程指的是把原始數據轉變為模型的訓練數據的過程，它的目的就是獲取更好的訓練數據特征，使得機器學習模型逼近這個上限。特征 ...