精通特征工程 网络技术 作者
通过python示例掌握特征工程基本原则和实际应用，增强机器学算法效果
￥ 25.65 4.3折 ￥ 59 全新
仅1件
作者作者
出版社人民邮电出版社
ISBN9787115509680
出版时间2019-04
版次1
装帧平装
开本16
页数156页
字数254千字
定价59元
货号308_9787115509680
上书时间2024-11-02
- 在售商品 暂无
- 平均发货时间 27小时
- 好评率 暂无
- 最新上架
商品详情
- 品相描述：全新
- 正版特价新书
- 商品描述
-
主编：
特征工程是机器学流程中至关重要的一个环节，然而专门讨论这个话题的著作却很少。本书旨在填补这一空白，着重阐明特征工程的基本原则，介绍大量特征工程技术，教你从原始数据中提取出正确的特征并将其转换为适合机器学模型的格式，从而轻松构建模型，增强机器学算法的效果。
然而，本书并非单纯地讲述特征工程的基本原则，而是通过大量示例和练将重点放在了实际应用上。每一章都集中研究一个数据问题：如何表示文本数据或图像数据，如何为自动生成的特征降低维度，何时以及如何对特征进行标准化，等等。后一章通过一个完整的例子演示了多种特征工程技术的实际应用。书中所有代码示例均是用python编写的，涉及numpy、panda、cikitlearn和matplotlib等程序包。
数值型数据的特征工程：过滤、分箱、缩放、对数变换和指数变换
自然文本技术：词袋、n元词与短语检测
基于频率的过滤和特征缩放
分类变量编码技术：特征散列化与分箱
使用主成分分析的基于模型的特征工程
模型堆叠与k均值特征化
图像特征提取：人工提取与深度学
目录：
前言 ix
第 1 章 机器学流程 1
1.1 数据 1
1.2 任务 1
1.3 模型 2
1.4 特征 3
1.5 模型评价 3
第 2 章 简单而又奇妙的数值 4
2.1 标量、向量和空间 5
2.2 处理 7
2.2.1 二值化 7
2.2.2 区间量化（分箱） 9
2.3 对数变换 13
2.3.1 对数变换实战 16
2.3.2 指数变换：对数变换的推广 19
2.4 特征缩放/ 归一化 24
2.4.1 min-max 缩放 24
2.4.2 特征标准化/ 方差缩放 24
2.4.3 2
归一化 25
2.5 交互特征 28
2.6 特征选择 30
2.7 小结 31
2.8 参文献 32
第3 章 文本数据：扁化、过滤和分块 33
3.1 元素袋：将自然文本转换为扁向量 34
3.1.1 词袋 34
3.1.2 n 元词袋 37
3.2 使用过滤获取清洁特征 39
3.2.1 停用词 39
3.2.2 基于频率的过滤 40
3.2.3 词干提取 42
3.3 意义的单位：从单词、n 元词到短语 43
3.3.1 解析与分词 43
3.3.2 通过搭配提取进行短语检测 44
3.4 小结 50
3.5 参文献 51
第4 章 特征缩放的效果：从词袋到tf-idf 52
4.1 tf-idf：词袋的一种简单扩展 52
4.2 tf-idf 方法测试 54
4.2.1 创建分类数据集 55
4.2.2 使用tf-idf 变换来缩放词袋 56
4.2.3 使用逻辑回归进行分类 57
4.2.4 使用正则化对逻辑回归进行调优 58
4.3 深入研究：发生了什么 62
4.4 小结 64
4.5 参文献 64
第5 章 分类变量：自动化时代的数据 65
5.1 分类变量的编码 66
5.1.1 one-hot 编码 66
5.1.2 虚拟编码 66
5.1.3 效果编码 69
5.1.4 各种分类变量编码的优缺点 70
5.2 处理大型分类变量 70
5.2.1 特征散列化 71
5.2.2 分箱 73
5.3 小结 79
5.4 参文献 80
第6 章 数据降维：使用pca 挤压数据 82
6.1 直观理解 82
6.2 数学推导 84
6.2.1 线投影 84
6.2.2 方差和经验方差 85
6.2.3 主成分：种表示形式 86
6.2.4 主成分：矩阵- 向量表示形式 86
6.2.5 主成分的通用解 86
6.2.6 特征转换 87
6.2.7 pca 实现 87
6.3 pca 实战 88
6.4 白化与zca 89
6.5 pca 的局限与注意事项 90
6.6 用例 91
6.7 小结 93
6.8 参文献 93
第7 章 非线特征化与k-均值模型堆叠 94
7.1 k-均值聚类 95
7.2 使用聚类进行曲面拼接 97
7.3 用于分类问题的k-均值特征化 100
7.4 优点、缺点以及陷阱 105
7.5 小结 107
7.6 参文献 107
第8 章 自动特征生成：图像特征提取和深度学 108
8.1 简单的图像特征（以及它们因何失效） 109
8.2 人工特征提取：sift 和hog 110
8.2.1 图像梯度 110
8.2.2 梯度方向直方图 113
8.2.3 sift 体系 116
8.3 通过深度神经网络学图像特征 117
8.3.1 全连接层 117
8.3.2 卷积层 118
8.3.3 relu 变换 122
8.3.4 响应归一化层 123
8.3.5 池化层 124
8.3.6 alex 的结构 124
8.4 小结 127
8.5 参文献 128
第9 章 回到特征：建立学术器 129
9.1 基于项目的协同过滤 129
9.2 关：数据导入、清理和特征解析 130
9.3 第二关：更多特征工程和更智能的模型 136
9.4 第三关：更多特征= 更多信息 141
9.5 小结 144
9.6 参文献 144
附录a 线建模与线代数基础 145
a.1 线分类概述 145
a.2 矩阵的解析 147
a.2.1 从向量到子空间 148
a.2.2 奇异值分解（svd） 150
a.2.3 数据矩阵的四个基本子空间 151
a.3 线系统求解 153
a.4 参文献 155
作者简介 156
封面简介 156
内容简介：
本书介绍大量特征工程技术，阐明特征工程的基本原则。主要内容包括：机器学流程中
的基本概念，数值型数据的基础特征工程，自然文本的特征工程，词频 逆文档频率，高效的分类变量编码技术，主成分分析，模型堆叠，图像处理，等等。
作者简介：
爱丽丝郑（alice zheng） 广告台建模和优化团队负责人，应用机器学、生成算法和台开发领域的技术领dao者，前微软研究院机器学研究员。
阿曼达卡萨丽（amanda caari） 谷歌云开发者关系工程经理，曾是concur lab的产品经理和数据科学家，在数据科学、机器学、复杂系统和机器人等多个领域都有丰富经验。
— 没有更多了 —
以下为对购买帮助不大的评价