前些日子推荐了一个仓库，是知名开源apachecn组织翻译的《面向机器学习的特征工程》英文版，可以说是特征工程的宝典，值得推荐。
仓库说明
知名开源apachecn组织翻译了《面向机器学习的特征工程》英文版，可以说是特征工程的宝典，值得推荐：
仓库地址：
https://github.com/apachecn/feature-engineering-for-ml-zh
文件目录
- 一、引言
- 二、简单数字的奇特技巧
- 三、文本数据：展开、过滤和分块
- 四、特征缩放的效果：从词袋到 TF-IDF
- 五、类别特征：机器鸡时代的鸡蛋计数
- 六、降维：使用 PCA 压缩数据集
- 七、非线性特征提取和模型堆叠
- 八、自动化特征提取器：图像特征提取和深度学习
- 九、回到特征：将它们放到一起
- 附录、线性模型和线性代数基础
内容简介
第 1 章从数字数据的基本特征工程开始：过滤，合并，缩放，日志转换和能量转换以及交互功能。
第 2 章和第 3 章深入探讨了自然文本的特征工程：bag-of-words，n-gram 和短语检测。
第 4 章将 tf-idf 作为特征缩放的例子，并讨论它的工作原理。
围绕第 5 章讨论分类变量的高效编码技术，包括特征哈希和 bin-counting，步伐开始加速。
当我们在第 6 章中进行主成分分析时，我们深入机器学习的领域。
第 7 章将 k-means 看作一种特征化技术，它说明了模型堆叠的有效理论。
第 8 章都是关于图像的，在特征提取方面比文本数据更具挑战性。在得出深度学习是最新图像特征提取技术的解释之前，我们着眼于两种手动特征提取技术 SIFT 和 HOG。
第 9 章中完成了一个端到端示例中的几种不同技术，为学术论文数据集创建了一个推荐器。
总结
知名开源apachecn组织翻译了《面向机器学习的特征工程》英文版，可以说是特征工程的宝典，值得推荐：
仓库地址：
https://github.com/apachecn/feature-engineering-for-ml-zh