特征工程是数据分析中最耗时间和精力的一部分工作，它不像算法和模型那样是确定的步骤，更多是工程上的经验和权衡。因此没有统一的方法。这里只是对一些常用的方法做一个总结。本文关注于特征选择部分。后面还有两篇会关注于特征表达和特征预处理。 1. 特征的来源 在做数据分析的时候，特征的来…

11月13日，云脑科技机器学习训练营正式开营，本期训练营由科赛 Kesci联合云脑科技打造，中美大咖导师授课，精心指导学员解决机器学习中的实际问题，为人工智能行业培育高潜力人才。 K-Lab在线数据分析协作平台为本次训练营提供全程支持，训练营学员可在浏览器中方便、快捷地进行数据…

特征工程一般是手动完成，不仅依赖于工程师的丰富经验，也非常耗时。因此『自动化特征工程』可以自动生成大量候选特征，帮助数据科学家显著提升了工作效率和模型效果。

大家好，我是Peter~ 决定模型好坏的一个重要工作就是：特征工程 特征工程介于数据和算法之间，常见的特征工程分为： 数据预处理 特征转换 特征提取 特征选择 数据预处理 缺失处处理 缺失值的表现为N

阿里巴巴高级技术专家、Apache Flink/Kafka PMC 林东，在 FFA 2022 AI 特征工程专场的分享。