学完这些课程后，我对创建专业的可视化图表和仪表板充满信心
Shoebur Rahman采购专员，Giz Bangladesh
课程简介
探索机器学习特征工程
在本课程中，你将学习特征工程，它是许多机器学习模型的核心。 由于任何模型的性能都直接取决于其输入的特征，因此特征工程将领域知识置于整个过程的核心。 你将熟悉扎实的特征工程原则，这将帮助你在可能的情况下减少变量数量，加快学习算法运行速度，提升可解释性，并防止过拟合。在 R 中实施特征工程技术
您将学习如何使用 R tidymodels 框架实现特征工程技术，重点介绍 recipe 包，它将帮助您为模型创建、提取、转换并选择最佳特征。工程特征并构建更好的机器学习模型
面对一个新的数据集时，你将能够识别并选择相关特征，忽略无信息特征，从而在不牺牲准确性的前提下让模型运行得更快。 您还将熟练掌握应用转换和创建新特征，使您的模型更高效、更具可解释性且更准确！先修要求
课程体系
课程大纲
1
特征工程概述
原始数据并不总是最适合直接用于分析。本章开篇，您将初步了解如何变换与创建特征，以提升模型的性能与可解释性。
2
变换特征
在本章中，您将学习到，除了手动变换特征之外，还可以利用 tidyverse 的工具以编程方式构造新变量。您将探索这种方法如何提升模型的可复现性，尤其适用于包含大量特征的数据集。
3
提取特征
接下来，您将学习模型常常能从降维与从高维数据中提取特征中受益，包括将文本数据转换为数值、对分类数据进行编码，以及衡量变量的预测能力。您将探索的方法包括主成分分析、核主成分分析、从文本中提取数值、分类编码，以及变量重要性评分。
4
选择特征
在课程收尾，您将学习特征工程与机器学习技术。您将首先关注在模型中使用全部可用特征所带来的问题，以及识别无关和冗余特征的重要性，并学习使用嵌入式方法（如 lasso 与 elastic-net）去除这些特征。随后，您将探索收缩方法，如 lasso、ridge 和 elastic-net，可用于正则化特征权重，或通过将系数设为 0 来进行特征选择。最后，您将学习如何构建端到端的特征工程工作流程，并在一个小型项目中回顾与练习前面学到的概念与函数。
R
R 中的特征工程
课程已完成
