Notice
Recent Posts
Recent Comments
Link
일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | ||
6 | 7 | 8 | 9 | 10 | 11 | 12 |
13 | 14 | 15 | 16 | 17 | 18 | 19 |
20 | 21 | 22 | 23 | 24 | 25 | 26 |
27 | 28 | 29 | 30 |
Tags
- 데이터 분석 플랫폼
- 분석 툴
- 브라이틱스 서포터즈
- 브라이틱스 AI
- 파이썬 SQL 연동
- 파이썬 내장 그래프
- pymysql
- 범주형 변수 처리
- michigan university deep learning for computer vision
- Deep Learning for Computer Vision
- 삼성 SDS 서포터즈
- 비전공자를 위한 데이터 분석
- 딥러닝
- 브라이틱스 분석
- 서포터즈 촬영
- 브라이틱스 프로젝트
- 검증 평가 지표
- Brightics 서포터즈
- 데이터 분석
- Activation Function
- 브라이틱스 스태킹
- Brightics EDA
- Python
- 머신러닝
- Random Forest
- 삼성 SDS
- Brightics AI
- paper review
- Brightics studio
- Brigthics Studio
Archives
- Today
- Total
목록feature engineering (1)
하마가 분석하마

feature engineering은 좋은 머신러닝 모델을 만드는데 있어서 가장 중요한 부분 중 하나이다. 크고 복잡한 모델을 잘 가공된 피쳐와 단순한 모델로 대체하는 것이 가능한 경우가 대다수이다. - 새로운 피쳐 만들기 - 기존의 피쳐에 적용하는 다양한 평준화 및 변환 기법 등의 여러 피쳐 가공법들이 있다. 피쳐 가공은 사용하는 데이터에 따라 차이가 있기 때문에, 최선의 피쳐 가공 방식은 문제의 영역에 대해 어느 정도 이해하는 것이 필요하다. 저번에 범주형 변수의 처리에 대해서 알아보았다. 이번에는 수치형 변수와 수치형 변수, 범주형 변수의 조합을 위한 피쳐 가공에 초점을 맞춰본다. [날짜 / 시간 변수에 대한 피쳐 생성] 날짜 / 시간 (datetime) 타입의 변수가 있는 pandas 데이터프레임..
Machine learning class
2021. 3. 7. 21:51