Human-activity-detection_Motion-sense-Dataset_Kaggle:该存储库包含对运动感测数据集的分析，特征工程和运动感测数据集的分类结果

特征工程初学者

销量预测一直是一个热点研究的课题，对于各个企业有着重要的意义.近年来，随着深度学习的崛起，用于销量预测的模型越来越多，而单一模型的预测性能往往不够理想，所以出现了越来越多的组合模型.本文利用Stacking策略将XGBoost、支持向量回归（Support Vector Regression，SVR）、GRU神经网络作为基础模型，然后将LightGBM作为最终的预测模型，并且融合了新的特征.集中了几种模型的优势，大大提高了模型的预测性能，更加接近真实的销量数据，为回归预测提供一种新的预测方法.

脑电提取均值信号特征的matlab代码用于癫痫发作检测的脑电图特征工程 该 repo 记录了癫痫发作检测任务中最具挑战性的部分 EEG 特征工程的 MATLAB 代码。 这些 EEG 特征已被 Citation 中已发表的论文所使用。 脑电特征域 功能编号 特征域 描述 1-4 基本统计 平均振幅、标准振幅、过零次数、振幅范围 5-16 光谱分析 每个频段的功率比和绝对功率，alpha、beta、theta、delta、gamma 和 freq 质心，总功率 17-28 时频域 离散小波变换（DWT）在六个频段上系数的均值和标准差 29-31 非线性特征 ApEn、LZ 复杂度、Hurst 指数 32-43 时空域 六个频段和大脑区域的锁相值 44-47 同步测量（带频移/频移） 时域和频域中的动态扭曲 48-62 复杂网络特征 从时间和频率不变网络中提取的特征 功能 1-47 参考； 功能 48-62 对 . 基于这项工作的博士论文在 . 脑电特征提取首先，通过以下方式下载此 repo： git clone git@github.com:ieeeWang/EEG-feature-se

Convex Optimization 剑桥大学 凸优化理论 Cambridge University Press

ML之FE：特征工程中常用的一些处理手段(缺失值填充、异常值检测等)及其对应的底层代码的实现 目录 特征工程中常用的一些处理手段(缺失值填充、异常值检测等)及其对应的底层代码的实现 缺失值填充 fillna(self, value=None, method=None, axis=None,  inplace=False, limit=None, downcast=None, **kwargs) 特征工程中常用的一些处理手段(缺失值填充、异常值检测等)及其对应的底层代码的实现 缺失值填充 df = pd.read_csv('test01.csv') print(df['feature01']

机器学习中的数据与特征工程.pdf

NLP之相似语句识别--特征工程篇:bow+tfidf+svd+fuzzywuzzy+word2vec-附件资源

Kaggle自然语言处理文本匹配竞赛华人第1名团队PPT-深度学习与特征工程,代码仓库地址在ppt 内

03 特征工程.ipynb