Skip to content

Latest commit

 

History

History
41 lines (30 loc) · 12 KB

中文版.md

File metadata and controls

41 lines (30 loc) · 12 KB

基于Jupyter的特征工程手册

欢迎！此项目提供了基于Jupyter Notebook的交互式实用特征工程手册。其一共包含三个部分数据预处理，特征选择，特征压缩。其中数据预处理完整中文版已经完成，特征选择与特征压缩的中文版正在制作中。每个部分将在其单独的Notebook中演示。由于某些特征选择算法（例如“模拟退火”和“遗传算法”）在python中缺少完整连续的实现，因此我们还提供了相应的python脚本实现这些算法（模拟退火, 基因算法），并将其涵盖在我们的教程供您参考。

简单介绍

总目录

  • 1  Data Prepocessing 数据预处理
    • 1.1  Static Continuous Variables 静态连续变量
      • 1.1.1  Discretization 离散化
        • 1.1.1.1  Binarization 二值化
        • 1.1.1.2  Binning 分箱
      • 1.1.2  Scaling 缩放
        • 1.1.2.1  Stardard Scaling (Z-score standardization) 标准缩放 （Z值标准化）
        • 1.1.2.2  MinMaxScaler (Scale to range) 最大最小缩放 (按数值范围缩放)
        • 1.1.2.3  RobustScaler (Anti-outliers scaling) 稳健缩放 (抗异常值缩放)
        • 1.1.2.4  Power Transform (Non-linear transformation) 幂次变换 (非线性变换)
      • 1.1.3  Normalization 正则化
      • 1.1.4  Imputation of missing values 缺失值填补
        • 1.1.4.1  Univariate feature imputation 单变量特征插补
        • 1.1.4.2  Multivariate feature imputation 多元特征插补
        • 1.1.4.3  Marking imputed values 标记估算值
      • 1.1.5  Feature Transformation 特征变换
        • 1.1.5.1  Polynomial Transformation 多项式变换
        • 1.1.5.2  Custom Transformation 自定义变换
    • 1.2  Static Categorical Variables 静态类别变量
      • 1.2.1  Ordinal Encoding 序数编码
      • 1.2.2  One-hot Encoding 独热编码
      • 1.2.3  Hashing Encoding 哈希编码
      • 1.2.4  Helmert Coding Helmert 编码
      • 1.2.5  Sum (Deviation) Coding 偏差编码
      • 1.2.6  Target Encoding 目标编码
      • 1.2.7  M-estimate Encoding M估计量编码
      • 1.2.8  James-Stein Encoder James-Stein 编码
      • 1.2.9  Weight of Evidence Encoder 证据权重编码
      • 1.2.10  Leave One Out Encoder 留一法编码
      • 1.2.11  Catboost Encoder Catboost 编码
    • 1.3  Time Series Variables 时间序列变量
      • 1.3.1  Time Series Categorical Features 时间序列类别变量
      • 1.3.2  Time Series Continuous Features 时间序列连续变量
      • 1.3.3  Implementation 代码实现
        • 1.3.3.1  Create EntitySet 生成实体集
        • 1.3.3.2  Set up cut-time 设置时间截断
        • 1.3.3.3  Auto Feature Engineering 自动特征工程
  • 2  Feature Selection 特征选择
    • 2.1  Filter Methods 过滤法
      • 2.1.1  Univariate Filter Methods 单变量特征过滤
        • 2.1.1.1  Variance Threshold 方差选择法
        • 2.1.1.2  Pearson Correlation (regression problem) 皮尔森相关系数 (回归问题)
        • 2.1.1.3  Distance Correlation (regression problem) 距离相关系数 (回归问题)
        • 2.1.1.4  F-Score (regression problem) F-统计量 (回归问题)
        • 2.1.1.5  Mutual Information (regression problem) 互信息 (回归问题)
        • 2.1.1.6  Chi-squared Statistics (classification problem) 卡方统计量 (分类问题)
        • 2.1.1.7  F-Score (classification problem) F-统计量 (分类问题)
        • 2.1.1.8  Mutual Information (classification problem) 互信息 (分类问题)
      • 2.1.2  Multivariate Filter Methods 多元特征过滤
        • 2.1.2.1  Max-Relevance Min-Redundancy (mRMR) 最大相关最小冗余
        • 2.1.2.2  Correlation-based Feature Selection (CFS) 基于相关性的特征选择
        • 2.1.2.3  Fast Correlation-based Filter (FCBF) 基于相关性的快速特征选择
        • 2.1.2.4  ReliefF
        • 2.1.2.5  Spectral Feature Selection (SPEC) 基于谱图的特征选择
    • 2.2  Wrapper Methods 封装方法
      • 2.2.1  Deterministic Algorithms 确定性算法
        • 2.2.1.1  Recursive Feature Elimination (SBS) 递归式特征消除
      • 2.2.2  Randomized Algorithms 随机方法
        • 2.2.2.1  Simulated Annealing (SA) 基于模拟退火特征选择
        • 2.2.2.2  Genetic Algorithm (GA) 基于基因算法特征选择
    • 2.3  Embedded Methods 嵌入方法
      • 2.3.1  Regulization Based Methods 基于正则化模型的方法
        • 2.3.1.1  Lasso Regression (Linear Regression with L1 Norm) 套索回归
        • 2.3.1.2  Logistic Regression (with L1 Norm) 逻辑回归
        • 2.3.1.3  LinearSVR/ LinearSVC 线性向量支持机
      • 2.3.2  Tree Based Methods 基于树模型的方法
  • 3  Dimension Reduction 特征降维
    • 3.1  Unsupervised Methods 非监督方法
      • 3.1.1  PCA (Principal Components Analysis) 主成分分析
    • 3.2  Supervised Methods 监督方法
      • 3.2.1  LDA (Linear Discriminant Analysis) 线性判别分析

注：由于部分内容未有前人翻译，部分翻译可能不尽准确

参考文献

参考文献已在各独立 Notebook 中分别记录。

Author

@陈颖祥
@杨子晗

Contact

此资料为笔者业余时间整理制作，欢迎各位指正其中的不足之处！让我们一起让这份学习资料更加完善～

陈颖祥 E-mail: [email protected]
杨子晗 E-maii: [email protected]