数据准备是将原始数据转换为更适合建模的形式。这是一个挑战性的主题，因为不同项目的数据在形式、类型和结构上各不相同。尽管如此，项目之间还是有一些常见的数据准备任务。这是一个庞大的研究领域，它会 […]

机器学习数据准备速成班。7 天掌握 Python 数据准备。数据准备是将原始数据转换为更适合建模的形式。数据准备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，数据准备是必需的步骤，以便以算法所需的输入格式提供数据。在其他情况下，输入数据的最合适表示形式未知，必须在 […]

数据集可能包含缺失值，这会给许多机器学习算法带来问题。因此，在对预测任务进行建模之前，最好识别并替换输入数据中每列的缺失值。这称为缺失数据插补，或简称插补。一种流行的处理缺失值的方法是 […]

数据准备是将原始数据转换为适合建模的形式的过程。一种朴素的数据准备方法是在评估模型性能之前对整个数据集应用转换。这会导致一个称为数据泄漏的问题，即保留的测试集知识泄露 […]

预测建模机器学习项目，如分类和回归，总是涉及某种形式的数据准备。特定数据集所需的数据准备取决于数据的具体情况，例如变量类型，以及将用于建模的算法，这些算法可能对[…]施加期望或要求。

数据准备可能是任何机器学习项目中最为困难的步骤之一。原因是每个数据集都不同，并且高度特定于项目。尽管如此，预测建模项目之间有足够的共性，我们可以定义一个松散的步骤和子任务序列，您很可能会执行这些步骤和子任务。 […]

在预测建模项目中，机器学习算法学习从输入变量到目标变量的映射。最常见的预测建模项目涉及所谓的结构化数据或表格数据。这是数据在电子表格或矩阵中的样子，每行代表一个示例，每列代表一个特征 […]

机器学习模型要求所有输入和输出变量都为数值。这意味着如果您的数据包含类别数据，则在拟合和评估模型之前必须将其编码为数字。最流行的两种技术是序数编码和独热编码。在本教程中，您将发现如何 […]

许多机器学习算法在数值输入变量被缩放到标准范围时表现更好。这包括使用输入加权和的算法，如线性回归，以及使用距离度量的算法，如 k-最近邻。在建模之前缩放数值数据的两种最流行技术是归一化和标准化。 […]