Content-Length: 240932 | pFad | http://b.hatena.ne.jp/mooz/feature_engineering/
PolynomialFeatures
PolynomialFeatures# class sklearn.preprocessing.PolynomialFeatures(degree=2, *, interaction_only=False, include_bias=True, order='C')[source]# Generate polynomial and interaction features. Generate a new feature matrix consisting of all polynomial combinations of the features with degree less than or equal to the specified degree. For example, if an input sample is two dimensional and of the form
Pipeline
Pipeline# class sklearn.pipeline.Pipeline(steps, *, transform_input=None, memory=None, verbose=False)[source]# A sequence of data transformers with an optional final predictor. Pipeline allows you to sequentially apply a list of transformers to preprocess the data and, if desired, conclude the sequence with a final predictor for predictive modeling. Intermediate steps of the pipeline must be trans
いかにしてkaggleを解くか | threecourse's memo
Walmart2015については、CrowdFlowerのSolutionを参考にしながら、いろいろと考えながらやってました。 結局xgboostとneural netのstackingくらいしかできませんでしたが。。(38th/1047) その中で、kaggleの問題に対して”解”を出すのにあたって、どういうポイントがあり、どのように進めていくべきかの”構造”を考えてみました。 kaggle masterだけど機械学習は素人なので、突っ込みどころはいっぱいあると思います。ご指摘やこんな資料があるなど、教えていただければ助かります。 1 – 特徴量作成・管理 何だかんだいっても特徴量作成は重要で、重要な特徴量を逃すと勝ち目はないでしょう。 逆に適切な特徴量が作れれば、xgboostだけで勝てることもあるようです。(cf. Rossmann) 特徴量はN * M（N:ID, M:要素数）の数
ランダムフォレストと他の機械学習（or統計）を組み合わせて使う - じじいのプログラミング
もしかしたら、プロにとっては当たり前のテクニックかもしれませんが、自分は初めて見たので書きたいと思います。また、おそらく大きい効果を出すのが難しいテクニックだと思われるので、まずは基本的なことを先にやったあとに試したほうがいいでしょう。 追記 3/13 このテクニックは「stacking」と呼ばれるそうです。Twitterで教えていただきました。ありがとうございます！ Stacking, Blending and Stacked Generalization | Garbled Notes Ensemble learning - Wikipedia, the free encyclopedia ここから本題です。 前々回のTopCoder機械学習マラソンマッチTripSafetyは、飛行機のフライトデータから、違反フライトを予測するという問題でした。問題やデータはこちら 予測精度をよくする
特徴ベクトル変換器を作った話 #dogenzakalt
7. 前処理のニーズ • データフォーマットの変換 – 生データを学習器が読み込めるVector型に変換する • JSONから値を引きずり出す • 画像をベクトル化、グラフを処理してベクトル化 – 異なるデータソースを手動join • 特徴量チューニングによる精度改善 – 利用する変数の取捨選択、欠損値の対応、異常値の除外 – 変数のクリッピング（最大値、最小値） – 変数のログスケール変換（負の値の対応） – 変数を演算して、線形分離しやすい新しい変数を作る • 正規化、足し算、引き算、割り算、分散 – bool値を0,1に変換 – ラベル変数を0,1に変換
ランダムフォレストのつかいかた - じじいのプログラミング
この記事はCompetitive Programming Advent Calendar 2014 - PARTAKE24日目の記事です。関連記事に実装編もあります。 ランダムフォレストのつくりかた（C++の実装例つき） - じじいのプログラミング 今年は、TopCoderの機械学習マッチに積極的に参加して、経験もいろいろ詰めたので、そのノウハウを公開しようと思います。 自分のやり方は我流なので、アドバイスをいただけると、とてもうれしいです。 この記事にはランダムフォレストの説明はありません。ネット上に良い記事が多くあります。「はじめてでもわかる RandomForest 入門－集団学習による分類・予測 －」 －第７回データマイニング+WEB勉強会＠東京の記事は読みやすいと思いました。 この中のコツのいくつかは、ランダムフォレストに限らず使えると思います。 実装はないので、RやPython
)
Feature (machine learning) - Wikipedia
In machine learning and pattern recognition, a feature is an individual measurable property or characteristic of a phenomenon.[1] Choosing informative, discriminating, and independent features is crucial to produce effective algorithms for pattern recognition, classification, and regression tasks. Features are usually numeric, but other types such as strings and graphs are used in syntactic patter
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
Fetched URL: http://b.hatena.ne.jp/mooz/feature_engineering/
Alternative Proxies:
http://scikit-learn.org/stable/auto_examples/plot_feature_selection.html
https://scikit-learn.org/stable/modules/feature_selection.html