想定される学習は、アルゴリズムに提供されるデータの品質に大きく依存しています。データの処理と機能工学は、機械学習モデルの精度と有効性に影響を与える重要なステップです。データの適切な処理により、モデルが有意義なパターンを学習し、新しいデータにうまく機能するようになります。

データ処理

データの処理には、データのクリーニングと変換が適切な形式に組み込まれています。このステップは、欠損値、騒音、および矛盾などの問題に対処します。テクニックには、正規化、スケーリング、およびエンコーディングの分類変数が含まれます。

機能工学

機能エンジニアリングは、新しい機能を作成したり、既存の機能を改造したり、モデルのパフォーマンスを向上させることができます。 関連する情報を強調したり、寸法を減らすのに役立ちます。 効果的な機能エンジニアリングは、モデルの予測電力を大幅に向上させることができます。

機能工学における重要な技術

  • [] 機能選択:] は、モデルの最も関連性の高い機能を選択する。
  • [] 機能抽出:]] 主成分解析(PCA)などの既存のデータから新しい機能を作成する。
  • :]]のエンコード。 数値形式に変換します。
  • 変換:]] 線形性を改善するために機能を適用します。