HelloWorld 开发者社区

科技资讯

全部资讯

开源项目

全部项目

推荐好文

特征选择:11 种特征选择策略总结

太多的特征会增加模型的复杂性和过拟合,而太少的特征会导致模型的拟合不足。将模型优化为足够复杂以使其性能可推广,但又足够简单易于训练、维护和解释是特征选择的主要工作。“特征选择”意味着可以保留一些特征并放弃其他一些特征。本文的目的是概述一些特征选择策略:删除未使用的列删除具有缺失值的

使用分布外数据去除不需要的特征贡献,提高模型的稳健性

深度神经网络(DNN)已经发展到现在已经可以在计算机视觉和自然语言处理等许多任务上表现非常出色。而现在主要的研究是如何训练这些DNN以提高其准确性。准确性的主要问题是神经网络极易受到对抗性扰动的影响。例如下面的图片,添加噪声之前和之后的两张图像对我们来说似乎相同。但对于神经网络来说,右边

特征工程:基于梯度提升的模型的特征编码效果测试

为梯度提升学习选择默认的特征编码策略需要考虑的两个重要因素是训练时间和与特征表示相关的预测性能。Automunge库是处理表格数据常用的库,它可以填充空值,也可以进行分类的编码和归一化等操作,默认的境况下Automunge对分类特征进行二值化处理,并对数值特征进行zscore归一化。本文将通过对一

深度特征合成与遗传特征生成,两种自动特征生成策略的比较

特征工程是从现有特征创建新特征的过程,通过特征工程可以捕获原始特征不具有的与目标列的额外关系。这个过程对于提高机器学习算法的性能非常重要。尽管当数据科学家将特定的领域知识应用特定的转换时,特征工程效果最好,但有一些方法可以以自动化的方式完成,而无需先验领域知识。在本文中,我们将通过一个示例介绍如

特征工程:常用的特征转换方法总结

机器学习模型的生命周期可以分为以下步骤:数据采集数据预处理特征工程特征选择建筑模型超参数调整模型部署要构建模型就必须要对数据进行预处理。特征转换是这个过程中最重要的任务之一。在数据集中,大多数时候都会有不同大小的数据。为了使更好的预测,必须将不同的特

使用特征传播重构缺失数据进行图机器学习

大多数图神经网络通常在所有节点都可用的特征假设下运行。但是在现实世界的中,特征通常只有部分可用(例如,在社交网络中,只有一小部分用户可以知道年龄和性别)。本文种展示的特征传播是一种用于处理图机器学习应用程序中缺失的特征的有效且可扩展的方法。它很简单,但效果出奇地好。!(https://img

特殊图像的色彩特征工程:非自然图像的颜色编码

并非所有彩色的图像都应该是彩色的,或者换句话说并非所有使用RGB(红、绿、蓝)编码的图像都应该使用这些颜色!在本文中,我们将探讨特征工程的不同方式(将原始颜色值进行展开)如何有助于提高卷积神经网络的分类性能。有多种方法可以更改和调整RGB图像的颜色编码(例如,将RGB转换为HSV、

正在加载更多文章…

加载更多

已加载文章中没有匹配内容,可继续加载更多。