特征

特征标准化

通常用于 特征标准化的途径有两种, 一种叫做 min max normalization, 他会将所有特征数据按比例缩放到0-1的这个取值区间. 有时也可以是-1到1的区间. 还有一种叫做 standard deviation normalization, 他会将所有特征数据缩放成 平均值为0, 方差为1. 使用这些标准化手段. 我们不仅可以快速推进机器学习的学习速度, 还可以避免机器学习 学得特扭曲.

链接：https://zhuanlan.zhihu.com/p/24839177

特征离散化

“原生”的线性模型比较弱，可以对特征进行离散化。

连续特征的离散化

截图是为了更好的展现原作者。

连续特征的离散化

参考佳文

最小角回归算法(LARS) 最小角回归Least Angle Regression（LARS），forward stagewise selection

特征选择（一）-维数问题与类内距离 特征选择（二）-聚类变换 特征选择（三）-K-L变换 特征选择（四）-分散度 机器学习中的数据清洗与特征处理综述 机器学习中，有哪些特征选择的工程方法？

使用sklearn做特征工程

稀疏表示介绍(上) 稀疏表示介绍(中) 稀疏表示介绍(下)

正例和负例的数量偏差较大，应该怎样处理

处理离散型特征和连续型特征共存的情况 归一化 论述了对离散特征进行one-hot编码的意义

从PCC到MIC，一文教你如何计算变量之间的相关性