需要利用手動特徵工程從原始資料的領域知識建立特徵(stage1)，然後再部署相關的機器學習演算法的都不是特徵學習(stage2)，像svm、決策樹、k鄰近演算法、隨機森林都不是，他們的定位應該是在stage2部分
特徵學習可以被分為兩類：監督式特徵學習（supervised representation learning）和無監督式特徵學習（unsupervised representation learning）。
在監督特徵學習中，被標記過的資料被當做特徵用來學習。例如神經網路（neural networks），多層感知器（multi-layer perception），監督字典學習（supervised dictionary learning）。
在無監督特徵學習中，未被標記過的資料被當做特徵用來學習。例如無監督字典學習（unsupervised dictionary learning），主成分分析（principal component analysis），獨立成分分析（independent component analysis），自動編碼（auto-encoders），矩陣分解（matrix factorization） ，各種聚類分析（clustering）及其變形。
機器學習 特徵選擇
特徵選擇是特徵工程中的重要問題 另乙個重要的問題是特徵提取 坊間常說 資料和特徵決定了機器學習的上限，而模型和演算法只是逼近這個上限而已。由此可見，特徵工程尤其是特徵選擇在機器學習中占有相當重要的地位。通常而言，特徵選擇是指選擇獲得相應模型和演算法最好效能的特徵集，工程上常用的方法有以下 1.計算每...
機器學習 特徵工程
老師有多年的網際網路從業經驗，所以講解的過程中結合了很多任務業界的應用，更加的深入淺出。資料採集 資料採集前需要明確採集哪些資料，一般的思路為 哪些資料對最後的結果 有幫助？資料我們能夠採集到嗎？線上實時計算的時候獲取是否快捷？舉例1 我現在要 使用者對商品的下單情況，或者我要給使用者做商品推薦，那...
機器學習 特徵工程
資料和特徵決定了機器學習的上限，而模型和演算法只是逼近這個上限而已。通俗的說，就是盡可能的從原始資料中獲取更多資訊，從而使得 模型達到最佳。簡而言之，特徵工程是乙個把原始資料變成特徵的過程，這些特徵可以很好的描述資料，並且利用它們建立的模型在未知資料上表現效能可以達到最優。實驗結果取決於獲取的資料 ...