特徵工程

在本文中，我將與您分享我在Fiverr領導的上一個項目期間研究的一些方法。
您將獲得有關我嘗試的基本方法以及更複雜的方法的一些想法，該方法獲得了最佳效果-刪除了60％以上的功能，同時保持了準確性並為我們的模型實現了更高的穩定性。我還將分享我們對該演算法的改進。

如果你真的想避免你的機器學習模型產生垃圾結果的尷尬局面，你需要理解標題所暗示的「有效數據預處理和特徵工程」的重要性。

本文包含3個部分：特徵工程,從原始數據到特徵。良好特徵的特點。如何了解數據。