Tính năng tăng cường là một bước quan trọng trong việc chuẩn bị dữ liệu cho máy học thuật toán. nó bao gồm điều chỉnh phạm vi của các giá trị tính năng để cải thiện hiệu suất mô hình và tốc độ hội tụ. hiểu biết các nền tảng toán học giúp trong việc chọn các kỹ thuật thích hợp cho các bộ dữ liệu khác nhau.

Nền tảng toán học về sự cân nhắc tính chất

Các phương pháp tăng cường tính năng được dựa trên sự biến đổi toán học mà thay đổi sự phân phối dữ liệu. kĩ thuật thông thường bao gồm bình thường hóa và chuẩn hóa.

Giá trị nhiệt độ = (x - phút) / (xxx - min))

Tiêu chuẩn hóa dữ liệu chuyển đổi để có một số 0 và một tiêu chuẩn lệch 1, sử dụng:

Giá trị chuẩn = (x - ) / )

Những kỹ thuật thực dụng để cân nhắc tính năng

Tính năng tăng cường bao gồm việc chọn phương pháp đúng dựa trên dữ liệu và thuật toán. Ví dụ, thuật toán như hàng xóm và mạng thần kinh có lợi từ sự bình thường hóa, trong khi hồi quy tuyến tính và hồi quy thường sử dụng tiêu chuẩn hóa.

Những kỹ thuật thông thường bao gồm:

  • Hình nhỏ Mix
  • Tiêu chuẩn Z-Score
  • Co dãn Robust
  • Tỷ lệ MaxAbs

Điều quan trọng là phải phù hợp với các tham số phóng đại trong dữ liệu đào tạo và áp dụng cùng một sự chuyển đổi để các dữ liệu kiểm tra để ngăn chặn rò rỉ dữ liệu.