VIP20

本课程属于：010-特征工程平台 数据工程与实时数据平台 · 共 20 门相关课程，组合学习更完整。

查看所属VIP全部课程 →

← 返回所属目录咨询 / 购买

特征工程与机器学习建模协同开发

📚 共计 30 章节

点击此处阅读海量试读课程：100+行业、1000+细分领域

课程导论：特征工程与模型协同

核心理念、课程目标与学习路径，为什么协同比单独优化更重要。

数据清洗实战

缺失值处理（均值/中位数/众数填充、模型预测填充），异常值检测（IQR、Z-Score），重复数据处理。

清洗异常值

特征编码技术

Label Encoding、One-Hot Encoding、Target Encoding 的原理与实战对比。

编码类别特征

数值特征变换

标准化 (StandardScaler)、归一化 (MinMaxScaler)、对数变换与 Box-Cox 变换。

特征交叉与组合

多项式特征生成、基于业务逻辑的特征组合、使用 Featuretools 自动特征工程。

交叉自动化

特征选择方法

过滤法（方差阈值、卡方检验）、包裹法（RFE）、嵌入法（Lasso、树模型重要性）。

降维技术实战

PCA 主成分分析、t-SNE 可视化、UMAP 在高维数据中的应用。

降维可视化

时间序列特征工程

滞后特征、滚动窗口统计量、时间戳分解（年/月/日/星期）。

文本特征工程

TF-IDF 向量化、Word2Vec 词嵌入、BERT 预训练模型提取特征。

图像特征工程

手动特征 (HOG、SIFT)、CNN 预训练模型 (ResNet、VGG) 特征提取。

模型协同之数据划分

分层抽样、时间序列交叉验证、GroupKFold 保证数据独立性。

划分交叉验证

模型协同之基线模型

线性回归、逻辑回归、决策树作为基线，快速验证特征有效性。

基线快速验证

模型协同之集成学习

Bagging (随机森林)、Boosting (XGBoost、LightGBM)、Stacking 原理与实战。

特征与模型的双向反馈

利用模型特征重要性反向指导特征筛选与重构。

自动化特征工程与模型搜索

使用 AutoML (TPOT、H2O) 实现特征与模型联合优化。

AutoML自动化

分类任务实战（上）

客户流失预测——数据探索、特征工程、基线模型建立。

分类流失预测

分类任务实战（下）

客户流失预测——模型调优、特征重要性分析、结果解读。

回归任务实战（上）

房价预测——特征工程（地理位置编码、房龄特征）、模型选择。

回归任务实战（下）

房价预测——模型集成、残差分析、特征对预测的影响。

NLP任务实战（上）

情感分析——文本清洗、TF-IDF特征、朴素贝叶斯模型。

NLP任务实战（下）

情感分析——Word2Vec+LSTM、BERT微调、特征可视化。

深度学习BERT

特征存储与管理

特征存储 (Feature Store) 概念、Feast 框架入门、特征版本控制。

模型部署中的特征工程

在线预测与离线训练的特征一致性、特征计算管道 (Pipeline)。

特征工程性能优化

并行计算 (Pandas多进程、Dask)、特征缓存策略。

模型可解释性与特征

SHAP 值解释特征贡献、LIME 局部解释、Partial Dependence Plot。

特征漂移与模型监控

数据漂移检测 (PSI、KS检验)、模型性能衰减监控、特征重训练策略。

多模态特征融合

表格数据+文本+图像的特征融合策略、注意力机制在融合中的应用。

多模态注意力

图神经网络特征工程

节点特征、边特征、图特征构建，GCN/GAT 模型入门。

大规模特征工程实战

使用 Spark 进行分布式特征计算、万亿级特征的处理思路。

课程总结与未来展望

特征工程与模型协同最佳实践总结，AutoML 与因果推断的未来趋势。