全程干货feature(feature翻译)

由O\x26#39;Reilly Media,Inc.出版的《Feature Engineering for Machine Learning》（国内译作《精通特征工程》）一书，可以说是特征工程的宝典。

由OReilly Media,Inc.出版的《Feature Engineering for Machine Learning》（国内译作《精通特征工程》）一书，可以说是特征工程的宝典，本文在知名开源apachecn组织翻译的英文版基础上，将原文修改成jupyter notebook格式，并增加和修改了部分代码，测试全部通过。

这个资料可以说是特征工程的宝典，值得推荐。

资料说明《Feature Engineering for Machine Learning》由知名开源apachecn组织翻译，原版英文书可以在网上试读（免费读10天），试读地址：https://www.oreilly.com/library/view/feature-engineering-for/9781491953235/

这本书可以说是特征工程的宝典，值得推荐本站在得到apachecn同意后，对翻译版本进行了润色和代码实现，将原文修改成jupyter notebook格式，并增加和修改了部分代码，测试全部通过，同时所有数据集已经放在。

百度云下载翻译代码放在数据科学的github仓库提供下载，仓库地址：https://github.com/fengdu78/Data-Science-Notes/tree/master/9.feature-engineering。

备注：本文的翻译版本与人民邮电出版社出版的《精通特征工程》有所不同，属于独立完成文件目录一、引言二、简单数字的奇特技巧三、文本数据：展开、过滤和分块四、特征缩放的效果：从词袋到 TF-IDF五、类别特征：机器鸡时代的鸡蛋计数。

六、降维：使用 PCA 压缩数据集七、非线性特征提取和模型堆叠八、自动化特征提取器：图像特征提取和深度学习九、回到特征：将它们放到一起（更新中）附录、线性模型和线性代数基础内容简介第 1 章从数字数据的基本特征工程开始：过滤，合并，缩放，日志转换和能量转换以及交互功能。

第 2 章和第 3 章深入探讨了自然文本的特征工程：bag-of-words，n-gram 和短语检测第 4 章将 tf-idf 作为特征缩放的例子，并讨论它的工作原理第 5 章讨论分类变量的高效编码技术，包括特征哈希和 bin-counting。

第 6 章中进行主成分分析，我们深入机器学习的领域第 7 章将 k-means 看作一种特征化技术，它说明了模型堆叠的有效理论第 8 章都是关于图像的，在特征提取方面比文本数据更具挑战性在得出深度学习是最新图像特征提取技术的解释之前，我们着眼于两种手动特征提取技术 SIFT 和 HOG。

第 9 章中完成了一个端到端示例中的几种不同技术，为学术论文数据集创建了一个推荐器。内容截图

总结本文将《Feature Engineering for Machine Learning》修改成jupyter notebook格式，测试全部通过，并提供下载翻译代码的仓库地址：https://github.com/fengdu78/Data-Science-Notes/tree/master/9.feature-engineering。

参考https://www.oreilly.com/library/view/feature-engineering-for/9781491953235/https://github.com/alicezheng/feature-engineering-book

https://github.com/apachecn/feature-engineering-for-ml-zh