作者归档 | Jason Brownlee

预测建模项目可以使用大量不同的数据准备技术。在某些情况下，数据分布或机器学习模型的要求会提示所需的数据准备，但考虑到复杂性和高维度性，这种情况很少见 [...]

降维是一种无监督学习技术。尽管如此，它可以作为数据转换预处理步骤，用于有监督学习算法的分类和回归预测建模数据集。降维算法有很多种可供选择，没有一种算法适用于所有情况。相反，它是一个好的 [...]

分类或回归数据集中异常值的存在可能导致模型拟合不佳和预测建模性能下降。鉴于输入变量数量众多，对于大多数机器学习数据集而言，使用简单的统计方法识别和移除异常值是具有挑战性的。相反，可以在建模流程中 [...]

机器学习预测建模的性能取决于您的数据质量，而您的数据质量又取决于您准备数据的过程。最常见的数据准备方法是研究数据集，审查机器学习算法的期望，然后仔细选择最合适的数据 [...]

数据准备是预测建模项目的重要组成部分。正确应用数据准备可以将原始数据转换为一种表示形式，使学习算法能够充分利用数据并做出准确的预测。问题在于选择一个转换或一系列转换，从而产生有用的表示 [...]

数据准备是将原始数据转换为更适合建模的形式。这是一个具有挑战性的话题，因为每个项目的格式、类型和结构都不同。尽管如此，项目之间存在常见的数据准备任务。这是一个巨大的研究领域，涵盖 [...]

机器学习数据准备 7 天速成班。用 7 天时间掌握 Python 中的数据准备。数据准备包括将原始数据转换为更适合建模的形式。准备数据可能是预测建模项目中最重要的部分，也是最耗时的部分，尽管它似乎 [...]

数据准备是将原始数据转换为学习算法的过程。在某些情况下，数据准备是为了将数据以所需的输入格式提供给算法的必要步骤。在其他情况下，输入数据的最佳表示形式未知，必须在 [...]

数据集可能存在缺失值，这会给许多机器学习算法带来问题。因此，在为预测任务建模之前，最好识别并替换输入数据中每个列的缺失值。这被称为缺失数据插补，或简称插补。一种流行的缺失 [...]

数据准备是将原始数据转换为适合建模的格式的过程。一种天真的数据准备方法是在评估模型性能之前将转换应用于整个数据集。这会导致一个问题，称为数据泄露，即留出测试集的信息泄露 [...]