- 综合排序
- 最热优先
- 最新优先
- 来自专栏小小挖掘机
特征工程｜连续特征的常见处理方式（含实例）
连续特征离散化可以使模型更加稳健，比如当我们预测用户是否点击某个商品时，一个点击该商品所属类别下次数为100次和一个点击次数为105次的用户可能具有相似的点击行为，有时候特征精度过高也可能是噪声，这也是为什么在 连续特征经常是用户或者事物对应一些行为的统计值，常见的处理方法包括： 归一化 标准化 离散化 缺失值处理 这里要特别注意一下归一化和标准化的区别，在平常的使用中，很多同学都容易把这两者的概念混淆，因为两者的英文翻译是一样的 4、向量归一化 向量归一化是指通过用原始数据中的每个值除以所有数据之和来进行数据的归一化。 离散化 数据离散化（也叫数据分组）是指将连续的数据进行分组，使其变为一段段离散化的区间，离散化后的特征根据其所在的组进行One-Hot编码。 4、单变量分组 单变量分组也叫秩分组。其原理是：将所有变量按照降序或升序排序，排序名次即为排序结果，即将值相同的变量划分到同一组。
1.7K40发布于 2020-08-21 - 来自专栏Michael阿明学习之路
4. 特征提取
许多机器学习问题需要从 类别变量、文本、图片中学习，需要从中提取出数字特征 1. DictVectorizer 对数字特征 失效案列： X=[ {'city':1}, {'city':4}, {'city':5} ] onehot_encoder = DictVectorizer ] [4.] [5.]] 特征标准化 防止特征淹没，某些特征无法发挥作用 加快算法收敛 from sklearn import preprocessing import numpy as np X = np.array([ 从图像中提取特征 4.1 从像素强度中提取特征 将图片的矩阵展平后作为特征向量 有缺点，产出的模型对缩放、旋转、平移很敏感，对光照强度变化也很敏感 from sklearn import datasets
1.2K20发布于 2020-07-13 - 来自专栏灰灰的数学与机械世界
考研（大学）数学 极限与连续（4）
极限与连续（4） 基础 设 a_1=4,a_{n+1}=\sqrt{1+a_n} ，证明： \underset{n\rightarrow \infty}{\lim}a_n 存在，并求极限。 解：先证明 a_n\ge 2,a_1=4,a_2=\sqrt{2+a_1}=2.44949\ge 2 ，假设 a_k\ge 2,a_{k+1}=\sqrt{1+a_k}=\sqrt{2+2}=2\ge 根据连续可导，知道 f\left( x \right) 连续，由等式 x_{n+1}=f\left( x_n \right) ，对两边取 n\rightarrow \infty ，即 \underset 后面直接连续性得出结果即可。 作者：小熊
45620编辑于 2022-11-23 - 来自专栏NewBeeNLP
KDD2021 | 华为AutoDis：连续特征的Embedding学习框架
但是，Embedding模块却很少有工作进行深入研究，特别是对于连续特征的embedding方面。 1、连续特征处理 CTR预估模型的输入通常包含连续特征和离散特征两部分。 ，通常难以有效捕获连续特征中信息。 这类方法通常是两阶段的，即首先将连续特征转换为对应的「离散值」，再通过「look-up」的方式转换为对应的embedding。 首先探讨一个问题，为什么需要对连续特征进行离散化呢？ 显然，这种方法参数量巨大（因为你可以有无穷个连续特征取值！），无法在实践中进行使用。
2.2K10发布于 2021-12-02 - 来自专栏机器学习/数据可视化
特征选择4大方法
4大方法进行特征选择 特征选择能剔除和目标变量不相关(irrelevant)或冗余(redundant )的特征，以此来减少特征个数，以此来达到提高模型精确度，减少运行时间的目的。 另一方面，筛选出真正相关的特征之后也能够简化模型，经常听到的这段话足以说明特征工程以及特征选择的重要性： 数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已 本文记录的是使用4种不同的方法来进行机器学习中特征的重要性排序 pd.read_csv("kc_house_data.csv") house Out[2]: 基本信息 In [3]: # 数据shape house.shape Out[3]: (21613, 21) In [4] : # 字段缺失值 house.isnull().sum() Out[4]: id 0 date 0 price 0 bedrooms _ 属性，并且对特征属性的重要性进行排序，从当前的特征集合中移除那些最不重要的特征，重复该过程。
51741编辑于 2023-08-25 - 来自专栏用户11994342的专栏（2）
什么是连续特征离散化？分桶(Bucketing)有什么技巧？
什么是连续特征离散化？分桶(Bucketing)有什么技巧？本文收录于Github：AI-From-Zero项目——一个从零开始系统学习AI的知识库。如果觉得有帮助，欢迎⭐Star支持！ 这就是连续特征离散化的本质：把无限或庞大的连续数值空间，映射到有限的几个离散类别上。在机器学习的世界里，我们经常会遇到这样的问题：用户的年龄、收入、消费金额，这些都是连续的数字。 增强鲁棒性：异常值和噪声的影响被削弱引入非线性：让线性模型也能学习复杂的分段规律便于特征交叉：离散化后的特征更容易组合出有价值的新特征二、什么是连续特征离散化简单来说，连续特征离散化就是把连续的数值转换成有限的几个类别 ：风控评分卡在信用评分系统中，用户的收入、负债比等连续特征会被离散化成5-10个桶，然后用WOE编码转换成风险分数。 发展趋势自动化分桶：AutoML工具能自动尝试不同的离散化方案，但业务知识仍需人工注入自适应分桶：根据数据分布动态调整分桶边界深度学习中的离散化：在Embedding层中自动学习离散化表示六、总结与思考核心要点回顾：连续特征离散化是把连续值映射到有限类别的技术常用方法包括等宽分桶
9610编辑于 2026-04-10 - 来自专栏Michael阿明学习之路
Feature Engineering 特征工程 4. Feature Selection
经过各种编码和特征生成后，通常会拥有成百上千个特征。这可能导致两个问题： 首先，拥有的特征越多，就越有可能过拟合 其次，拥有的特征越多，训练模型和优化超参数所需的时间就越长。 使用较少的特征可以加快预测速度，但会降低预测准确率 为了解决这些问题，使用特征选择技术来为模型保留最丰富的特征 1. 返回 K 个最佳特征 图片.png F-value测量特征变量和目标之间的线性相关性。 0.0 13.0 22.0 0.0 0.0 31.0 739.0 0.0 3 0.0 0.0 0.0 0.0 2012.0 0.0 13.0 22.0 0.0 0.0 31.0 907.0 0.0 4 L1 regularization L1正则 单变量方法在做出选择决定时一次只考虑一个特征 相反，我们可以通过将所有特征包括在具有L1正则化的线性模型中来使用所有特征进行特征筛选 与惩罚系数平方的 L2
85410发布于 2020-07-13 - 来自专栏用户画像
大数据的特征（4V+1O）
第一个特征是数据量大，包括采集、存储和计算的量都非常大。大数据的起始计量单位至少是P（1000个T）、E（100万个T）或Z（10亿个T）。 类型繁多（Variety）。第二个特征是种类和来源多样化。 第三个特征是数据价值密度相对较低，或者说是浪里淘沙却又弥足珍贵。 第四个特征数据增长速度快，处理速度也快，时效性要求高。比如搜索引擎要求几分钟前的新闻能够被用户查询到，个性化推荐算法尽可能要求实时完成推荐。这是大数据区别于传统数据挖掘的显著特征。 数据是永远在线的，是随时能调用和计算的，这是大数据区别于传统数据最大的特征。现在我们所谈到的大数据不仅仅是大，更重要的是数据变的在线了，这是互联网高速发展背景下的特点。
4.8K40发布于 2019-03-15 - 来自专栏算法channel
BAT面试题4：简单聊聊特征工程
那么什么是特征工程呢，简单说，就是发现对因变量y有明显影响作用的特征，通常称自变量x为特征，特征工程的目的是发现重要特征。 一般来说，特征工程大体上可以分为三个方面，一是特征构造，二是特征选择，，三是特征生成。三个方面当中，最重要的是特征选择，我们先简单说一下，特征构造和特征生成，后面再说特征选择。 当然一个特征工程当中并不一定涉及到这三个方面。那么接下来，先说特征构造。 顾名思义，特征构造就是构造出来新的特征，一般都是通过对原有的特征进行四则运算产生新的特征。 我们再来说说特征生成，特征生成和特征构造有些相似，但是还是存在一些区别的，特征生成的话，比如主成分分析或者因子分析，都可以对原有数据进行特征生成，比如卷积神经网络的卷积层就是一个特征生成的过程，一张图片 上面呢就是简单说了一下，特征生成和特征构造，其实就是想尽各种办法产生个新的特征。
1.8K20发布于 2018-10-23 - 来自专栏Y大宽
4️⃣ 核酸序列特征分析(2):CpG岛预测
序列比对和序列特征分析总目录 CpG岛是200bp或更长的DNA序列，GC含量较高，一般富集在人类基因组组启动子区和起始外显子去，在这个区段容易出现DNA甲基化，从而对基因表达进行调控。
1.9K30发布于 2019-01-28 - 来自专栏用户9129463的专栏
如何在A4纸上打印连续的条形码
很多用户是需要打印在A4纸上使用的。今天小编就给大家介绍如何在A4纸上打印连续的条形码。 首先打开软件，新建一个标签页面，设置好尺寸。 在打印预览上可以看到条码是连续的。 04.png 使用条码标签软件批量生成这种顺序递增的可变条形码是非常方便的，希望这篇文章可以帮助到有需要的朋友。
1.5K60编辑于 2021-12-13 - 来自专栏点云PCL
PCL点云特征描述与提取（4）
如何从一个深度图像（range image）中提取NARF特征 代码解析narf_feature_extraction.cpp #include <iostream> #include <boost/thread /narf_feature_extraction -m 这将自动生成一个呈矩形的点云，检测的特征点处在角落处，参数-m是必要的，因为矩形周围的区域观测不到，但是属于边界部分，因此系统无法检测到这部分区域的特征点 （2）特征描述算子算法基准化分析 使用FeatureEvaluationFramework类对不同的特征描述子算法进行基准测试，基准测试框架可以测试不同种类的特征描述子算法，通过选择输入点云，算法参数， 它将指定算法和参数，在每个点云中计算特征描述子 2.基于n_D特征空间中的最近邻元素搜索，源点云中的每个特征将和目标点云中对应的特征相对照 3 。 对于每一个点，系统将把估计的目标点的三维位置和之前已知的实际位置相比 4 。如果这两个点很接近（取决与决定的阀值）那么对应就成功，否则失败 5 计算并保存成功和失败的总数，以便进一步分析
1.1K30发布于 2019-07-31 传台积电先进制程将连续涨价4年
根据市场供应链的说法，台积电已罕见的告知所有客户，针对5nm、4nm、3nm、2nm这四种先进技术，将连续调涨价格四年。 尽管英伟达等大客户的订单转向5nm和4nm，使台积电一度释出6/7nm的产能。但由于台积电将这些设备和人力转移，导致相关制程客户，如果过往与台积电关系不够深厚，2026年起恐将面临缺货压力。
29110编辑于 2026-03-19- 来自专栏深度学习和计算机视觉
【扩散模型的应用】用于红外小目标检测的基于Diffusion的连续特征表示
为了克服这些限制，我们提出了一种基于扩散的连续特征表示网络（DCFR-Net），包括两个关键分支：基于扩散的连续高分辨率特征表示（DCHFR）和ISDTD。 4）在三个具有挑战性的红外小目标数据集上进行的广泛实验表明，我们的DCFR-Net优于其他最先进的（SOTA）方法。 III. 方法 A. 显然，我们的训练策略包括两个连续的阶段。在第一阶段，我们通过自监督学习方案训练DCHFR以获得红外目标的精细连续HR特征表示。 因此，调制结果mi携带了详细的控制信息，使得在连续域中提取细粒度和HR特征的性能更优越。此外，为了实现连续特征而不是离散特征，我们在U-Net的解码路径中插入了N − 1个基于坐标的INR。 如图3所示，我们首先将连续特征图M沿特征通道维度分割成全局部分Mg和局部部分Ml。
95910编辑于 2024-12-06 - 来自专栏Y大宽
4️⃣ 核酸序列特征分析(8):重复序列的查找
[序列比对和序列特征分析总目录](https://www.jianshu.com/p/878f2b2495ae 基因组序列主要构成成分是基因序列，重复序列和基因间序列。
3.7K30发布于 2019-02-26 - 来自专栏AIoT技术交流、分享
LabVIEW图像特征与机器视觉概念（理论篇—4）
图像的特征是指图像的原始特性或属性，其中部分属于自然特征，如像素灰度、边缘和轮廓、纹理及色彩等。有些则是需要通过计算或变换才能得到的特征，如直方图、频谱和不变矩等。 将属于特征的像素从图像中分离出来的过程称为图像的特征提取，从各种图像特征中选出可高效解决待处理问题的特征的过程则称为特征选择。 特征提取和特征选择的结果是否有效，直接决定着机器视觉系统进行机器决策的成败。 对解决实际问题来说，一个好的特征应与其他特征之间应有明显的差异，且对同类图像来说，其值应保持一致可靠，并具有代表性和独立性。 总之，特征提取和选择过程应尽可能减少整个识别系统的处理时间，并提高系统识别目标的准确率。
47230发布于 2021-08-10 - 来自专栏DeepHub IMBA
特征选择介绍及4种基于过滤器的方法来选择相关特征
你可以参考下表: 皮尔森的相关性 度量两个连续变量之间线性相关性的统计量。从-1到+1，+1为正线性相关，0为无线性相关，-1为负线性相关。 数据集:波士顿房屋房价数据集(sklearn自带)。 它包括13个连续特征和业主自住房屋在$1000s的中值(目标变量)。 LDA: %.2f' % np.mean(n_scores_lda)) print('Without LDA: %.2f' % np.mean(n_scores)) 使用LDA作为预处理步骤，性能提高了4% 如果不是5而是4呢? 注意：不要犯年轻的ML从业人员最常见的错误之一：在非连续特征上应用PCA。我知道在离散变量上运行PCA时代码不会中断，但这并不意味着您应该这样做。
1.7K10发布于 2020-11-25 - 来自专栏计算机视觉理论及其实现
Lipschitz连续
Lipschitz（利普希茨）连续定义： 有函数f(x)，如果存在一个常量K，使得对f(x)定义域上（可为实数也可以为复数）的任意两个值满足如下条件：?? 那么称函数f(x)满足Lipschitz连续条件，并称K为f(x)的Lipschitz常数。 Lipschitz连续比一致连续要强。它限制了函数的局部变动幅度不能超过某常量。
2.3K10编辑于 2022-09-03 - 来自专栏AI 算法笔记
特征工程之特征缩放&特征编码
（上） 特征工程之数据预处理（下） 本篇文章会继续介绍特征工程的内容，这次会介绍特征缩放和特征编码，前者主要是归一化和正则化，用于消除量纲关系的影响，后者包括了序号编码、独热编码等，主要是处理类别型、文本型以及连续型特征 3.3.5 离散化 定义：顾名思义，离散化就是将连续的数值属性转换为离散的数值属性。 那么什么时候需要采用特征离散化呢？ 这背后就是需要采用“海量离散特征+简单模型”，还是“少量连续特征+复杂模型”的做法了。 对于线性模型，通常使用“海量离散特征+简单模型”。 特性 1.在工业界很少直接将连续值作为逻辑回归模型的特征输入，而是将连续特征离散化为一系列 0/1 的离散特征。 其优势有： 离散化之后得到的稀疏向量，内积乘法运算速度更快，计算结果方便存储。 假设有连续特征j ，离散化为 N个 0/1 特征；连续特征 k，离散化为 M 个 0/1 特征，则分别进行离散化之后引入了 N+M 个特征。
1.7K20发布于 2019-08-16 DDR4持续紧缺，价格已连续6个月上涨
10月13日消息，由于三大DRAM大厂都在逐步停产DDR4产品，导致DDR4供应减少，供需紧绷情况持续，致使DDR4价格持续上涨。 数据显示，2025年9月份的指标性产品DDR4 8Gb批发价为每颗4.54美元左右、容量较小的4Gb产品价格为每颗3.46美元左右，均较前一个月份上涨3%、为连续第6个月上涨。 市场研究机构TrendForce最新调查也显示，由于DRAM大厂将产能优先集中于高利润的高带宽内存（HBM），排挤传统DRAM的产能，造成DDR4报价持续走高。 因此，近期有传闻称，由于DDR4市场持续供不应求及价格上涨，三大DRAM厂商考虑继续生产DRR4。 对此，威刚董事长陈立白于10月13日指出，上述传闻是谣言。 三大DRAM制造厂已确定停止生产DDR4，并已拆除相关的旧设备，采新设备生产旧技术的DDR4并不划算，所以不可能再回头生产。 陈立白进一步指出，目前DRAM市况“好到我们很头痛”。
24710编辑于 2026-03-19
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号