特征工程之分箱
一般在建立分类模型时，需要对连续变量离散化，特征离散化后，模型会更稳定，降低了模型过拟合的风险。比如在建立申请评分卡模型时用logsitic作为基模型就需要对连续变量进行离散化，离散化通常采用分箱法。 分箱的重要性及其优势 离散特征的增加和减少都很容易，易于模型的快速迭代； 稀疏向量内积乘法运算速度快，计算结果方便存储，容易扩展； 离散化后的特征对异常数据有很强的鲁棒性：比如一个特征是年龄>30是
相关文章
- 1. 特征工程之分箱
- 2. 特征分箱
- 3. 【数据建模 特征分箱】特征分箱的方法
- 4. 机器学习（十六）特征工程之数据分箱
- 5. 特征工程之特征预处理
- 6. 特征工程之特征选择
- 7. 特征工程之特征选择（三）
- 8. 特征工程之特征表达
- 9. 特征工程之特征抽取
- 10. 特征工程之特征关联
- 更多相关文章...
- • Scala Trait(特征) - Scala教程
- • Git 工作流程 - Git 教程
- • Git五分钟教程
- • 互联网组织的未来：剖析GitHub员工的任性之源
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
欢迎关注本站公众号,获取更多信息
相关文章
- 1. 特征工程之分箱
- 2. 特征分箱
- 3. 【数据建模 特征分箱】特征分箱的方法
- 4. 机器学习（十六）特征工程之数据分箱
- 5. 特征工程之特征预处理
- 6. 特征工程之特征选择
- 7. 特征工程之特征选择（三）
- 8. 特征工程之特征表达
- 9. 特征工程之特征抽取
- 10. 特征工程之特征关联