Awesome Feature Engineering 项目介绍

项目概述

Awesome Feature Engineering 是一个专门收集机器学习特征工程技术资源的精选列表。该项目由 Andrei Khobnia 维护，遵循 Creative Commons Attribution-Noncommercial-ShareAlike 3.0 Unported License 许可协议。

该项目为机器学习从业者提供了一个全面的特征工程技术资源库，涵盖了不同数据类型的特征工程方法和工具。

主要内容分类

1. 数值数据 (Numeric Data)

• 数据变换：

  • Box-Cox变换：scipy.stats.boxcox
  • 对数变换：np.log (x + const)

• 自动化特征工程：

  • Featuretools：用于自动化特征工程

• 特征交互：

  • sklearn.preprocessing.PolynomialFeatures：多项式特征生成
  • 除法运算
  • 其他交互式特征

2. 文本数据 (Textual Data)

• 词袋模型：

  • Bag-of-words model
  • A Gentle Introduction to the Bag-of-Words Model
  • sklearn.feature_extraction.text.CountVectorizer
  • sklearn.feature_extraction.DictVectorizer
  • sklearn.feature_extraction.FeatureHasher

• 词嵌入技术：

  • Word embedding
  • GloVe: Global Vectors for Word Representation
  • Gensim: models.word2vec – Word2vec embeddings
  • fastText
  • Word2Vec and FastText Word Embedding with Gensim

• 特征提取技术：

  • ClearTK - Feature Extraction Tutorial
  • 正则表达式
  • Part-of-Speech_Tagging
  • NLTK Categorizing and Tagging Words

3. 图像数据 (Image Data)

• 传统特征提取：

  • Feature extraction and similar image search with OpenCV for newbies
  • OpenCV -- Feature Detection and Description
  • SimpleCV.Features package
  • Scikit-image feature module

• 深度学习特征提取：

  • Keras pre-trained models feature extraction
  • Using Keras' Pre-trained Models for Feature Extraction in Image Clustering

4. 分类数据 (Categorical Data)

• 独热编码：

  • Why One-Hot Encode Data in Machine Learning?
  • How to One Hot Encode Sequence Data in Python
  • sklearn.preprocessing.OneHotEncoder
  • Keras - to_categorical

• 目标编码：

  • Likelihood encoding of categorical features
  • Python target encoding for categorical features
  • Adding variance column when mean encoding

• 特征哈希：

  • Feature Hashing on Wikipedia
  • Feature hashing and Extraction in VowpalWabbit
  • Feature hashing in scikit-learn

5. 时间序列数据 (Time Series Data)

• 自动特征提取：
  • Automatic extraction of relevant features from time series
  • Basic Feature Engineering With Time Series Data in Python

6. 地理空间数据 (Geospatial Data)

• 包含地理位置相关的特征工程技术

项目特点

1. 全面性：涵盖了机器学习中主要的数据类型和相应的特征工程技术
2. 实用性：提供了具体的工具库和代码实现
3. 开源性：采用开源许可协议，欢迎社区贡献
4. 权威性：链接到权威的文档、教程和学术资源
5. 可操作性：提供了具体的Python库和函数调用方法

使用价值

该项目对以下人群特别有价值：

• 机器学习工程师
• 数据科学家
• 特征工程研究人员
• 机器学习初学者
• 希望提升模型性能的从业者

贡献方式

项目鼓励社区贡献，可以通过创建 pull requests 来添加新的资源或改进现有内容。

总结

Awesome Feature Engineering 项目为机器学习特征工程提供了一个全面而实用的资源库，是学习和应用特征工程技术的重要参考资料。通过系统化的分类和丰富的资源链接，帮助从业者快速找到适合特定数据类型的特征工程方法。