衡阳派盒市场营销有限公司

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

數(shù)據(jù)挖掘任務(wù)最重要的特征抽取

上海磐啟微電子有限公司 ? 來源:數(shù)據(jù)STUDIO ? 作者:云朵君 ? 2021-09-01 09:56 ? 次閱讀

特征抽取是數(shù)據(jù)挖掘任務(wù)最為重要的一個環(huán)節(jié),一般而言,它對最終結(jié)果的影響要高過數(shù)據(jù)挖掘算法本身。

不幸的是,關(guān)于怎樣選取好的特征,還沒有嚴(yán)格、快捷的規(guī)則可循,其實這也是數(shù)據(jù)挖掘科學(xué)更像是一門藝術(shù)的所在。

創(chuàng)建好的規(guī)則離不開直覺,還需要專業(yè)領(lǐng)域知識和數(shù)據(jù)挖 掘經(jīng)驗,光有這些還不夠,還得不停地嘗試、摸索,在試錯中前進(jìn),有時多少還要靠點(diǎn)運(yùn)氣。

通常特征數(shù)量很多,但我們只想選用其中一小部分。有如下幾個原因。

1、降低復(fù)雜度

隨著特征數(shù)量的增加,很多數(shù)據(jù)挖掘算法需要更多的時間和資源。減少特征數(shù)量,是提高算法運(yùn)行速度,減少資源使用的好方法。

2、降低噪音

增加額外特征并不總會提升算法的表現(xiàn)。額外特征可能擾亂算法的正常工作,這些額外特征間的相關(guān)性和模式?jīng)]有實際應(yīng)用價值(這種情況在小數(shù)據(jù)集上很常見)。只選擇合適的特征有助于減少出現(xiàn)沒有實際意義的相關(guān)性的幾率。

3、增加模型可讀性

根據(jù)成千上萬個特征創(chuàng)建的模型來解答一個問題,對計算機(jī)來說很容易,但模型對我們自己來說就晦澀無比。因此,使用更少的特征,創(chuàng)建我們自己可以理解的模型,就很有必要。

有些分類算法確實很強(qiáng)壯,能夠處理噪音問題,特征再多也不在話下,但是選用干凈的數(shù)據(jù),選取更具描述性的特征,對算法效果提升很有幫助。

根據(jù)特征選擇的形式又可以將特征選擇方法分為三種

Filter:過濾法,按照發(fā)散性或者相關(guān)性對各個特征進(jìn)行評分,設(shè)定閾值或者待選擇閾值的個數(shù),選擇特征。

Wrapper:包裝法,根據(jù)目標(biāo)函數(shù)(通常是預(yù)測效果評分),每次選擇若干特征,或者排除若干特征。

Embedded:嵌入法,先使用某些機(jī)器學(xué)習(xí)的算法和模型進(jìn)行訓(xùn)練,得到各個特征的權(quán)值系數(shù),根據(jù)系數(shù)從大到小選擇特征。類似于Filter方法,但是是通過訓(xùn)練來確定特征的優(yōu)劣。

寫在前面為了幫助更好地理解特征選擇,這里使用我們常用的股市數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù)。

由于文章較長,為方便閱讀,我將特征選擇與特征提取總結(jié)文章拆分為上下兩篇,上篇(本文)主要內(nèi)容包括如下圖所示,主要介紹過濾法中常用的幾種特征選擇方法。

導(dǎo)入相關(guān)模塊import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

import warnings

warnings.filterwarnings(“ignore”)

import yfinance as yf

yf.pdr_override()

獲取數(shù)據(jù)仍然用騰訊股市數(shù)據(jù),輔助理解本文內(nèi)容。

symbol = ‘TCEHY’

start = ‘2016-01-01’

end = ‘2021-01-01’

df = yf.download(symbol, start, end)

# df = df.reset_index()# View columns

df.head()

特征構(gòu)造dataset = df.copy()

[‘Increase_Decrease’] = np.where(dataset[‘Volume’].shift(-1) 》 dataset[‘Volume’],1,0)

dataset[‘Buy_Sell_on_Open’] = np.where(dataset[‘Open’].shift(-1) 》 dataset[‘Open’],1,0)

dataset[‘Buy_Sell’] = np.where(dataset[‘Adj Close’].shift(-1) 》 dataset[‘Adj Close’],1,0)

dataset[‘Returns’] = dataset[‘Adj Close’].pct_change()

dataset = dataset.dropna()

dataset.head()

數(shù)據(jù)準(zhǔn)備設(shè)定目標(biāo)標(biāo)簽為收盤價,研究哪些變量對收盤價影響加大。通過一定對方法剔除幾乎沒有影響的特征,選出影響較多對特征。特征選擇在維度較大時尤為重要。

features = dataset.drop([‘Adj Close’, ‘Close’, ‘Returns’], axis=1)

array = features.values

X = array.astype(int)

Y = dataset[‘Adj Close’].values.astype(int)

過濾法過濾方法通常用作預(yù)處理步驟,特征選擇完全獨(dú)立于任何機(jī)器學(xué)習(xí)算法。它是根據(jù)各種統(tǒng)計檢驗中的分?jǐn)?shù)以及相關(guān)性的各項指標(biāo)來選擇特征。

方差過濾這是通過特征本身的方差來篩選特征的類。比如一個特征本身的方差很小,就表示樣本在這個特征上基本沒有差異,可能特征中的大多數(shù)值都一樣,甚至整個特征的取值都相同,那這個特征對于樣本區(qū)分沒有什么作用。

scikit-learn中的VarianceThreshold轉(zhuǎn)換器可用來刪除特征值的方差達(dá)不到最低標(biāo)準(zhǔn)的特征。

from sklearn.feature_selection import VarianceThreshold

vt = VarianceThreshold()

vt.fit_transform(X)

var_thd = pd.DataFrame(vt.variances_, columns = [“Variance”], index=features.columns)

var_thd = var_thd.reset_index()

var_thd.sort_values(‘Variance’,ascending=0)

無論什么時候,拿到數(shù)據(jù)后,先做下類似簡單、直接的分析,對數(shù)據(jù)集的特點(diǎn)做到心中有數(shù)。方差為0的特征不但對數(shù)據(jù)挖掘沒有絲毫用處,相反還會拖慢算法的運(yùn)行速度。

單變量選擇單變量的特征選擇是通過基于一些單變量的統(tǒng)計度量方法來選擇最好的特征。屬于過濾法的一種。

scikit-learn提供了幾個用于選擇單變量特征的轉(zhuǎn)換器,其中SelectKBest返回 個最佳特征,SelectPercentile返回表現(xiàn)最佳的前 個特征。這兩個轉(zhuǎn)換器都提供計算特征表現(xiàn)的一系列方法。都將得分函數(shù)作為輸入,返回單變量的得分和p值。可作為輸入的評分函數(shù)有:

對于回歸: f_regression , mutual_info_regression, 互信息

對于分類: chi2 , f_classif , mutual_info_classif, 皮爾森相關(guān)系數(shù)

SelectKBest 選擇出前k個與標(biāo)簽最相關(guān)的特征,主要有兩個參數(shù)

1、score_func : callable,函數(shù)取兩個數(shù)組X和y,返回一對數(shù)組(scores, pvalues)或一個分?jǐn)?shù)的數(shù)組。默認(rèn)函數(shù)為f_classif,默認(rèn)函數(shù)只適用于分類函數(shù)。

2、k:int or “all”, optional, default=10。所選擇的topK個特征。“all”選項則繞過選擇,用于參數(shù)搜索。

卡方單個特征和某一類別之間相關(guān)性的計算方法有很多。最常用的有卡方檢驗。經(jīng)典的卡方檢驗是檢驗定性自變量對定性因變量的相關(guān)性。

卡方過濾是專門針對離散型標(biāo)簽(即分類問題)的相關(guān)性過濾。卡方檢驗類 feature_selection.chi2 計算每個非負(fù)特征和標(biāo)簽之間的卡方統(tǒng)計量,并依照卡方統(tǒng)計量由高到低為特征排名。

再結(jié)合 feature_selection.SelectKBest 這個可以輸入”評分標(biāo)準(zhǔn)“來選出前K個分?jǐn)?shù)最高的特征的類,我們可以借此除去最可能獨(dú)立于標(biāo)簽,與我們分類目的無關(guān)的特征。

from sklearn.feature_selection import SelectKBest

from sklearn.feature_selection import chi2

# 再使用SelectKBest轉(zhuǎn)換器類,用卡方函數(shù)打分,初始化轉(zhuǎn)換器。test = SelectKBest(score_func=chi2, k=3)

test.fit(X, Y)

# 得分情況

np.set_printoptions(precision=3)

print(test.scores_)

[6.365e+03 6.416e+03 6.286e+03 8.295e+08

2.949e+01 2.240e+01 3.059e+01]

卡方檢驗的本質(zhì)是推測兩組數(shù)據(jù)之間的差異,其檢驗的原假設(shè)是”兩組數(shù)據(jù)是相互獨(dú)立的”。卡方檢驗返回卡方值和P值兩個統(tǒng)計量,其中卡方值很難界定有效的范圍,而p值,我們一般使用0.01或0.05作為顯著性水平,即p值判斷的邊界。

從特征工程的角度,我們希望選取卡方值很大,p值小于0.05的特征,即和標(biāo)簽是相關(guān)聯(lián)的特征。而調(diào)用SelectKBest之前,我們可以直接從chi2實例化后的模型中獲得各個特征所對應(yīng)的卡方值和P值。

F檢驗另外類似的方法還有F檢驗,又稱ANOVA,方差齊性檢驗,是用來捕捉每個特征與標(biāo)簽之間的線性關(guān)系的過濾方法。它即可以做回歸也可以做分類,因此包含feature_selection.f_classif(F檢驗分類)和feature_selection.f_regression(F檢驗回歸)兩個類。其中F檢驗分類用于標(biāo)簽是離散型變量的數(shù)據(jù),而F檢驗回歸用于標(biāo)簽是連續(xù)型變量的數(shù)據(jù)。

F檢驗的本質(zhì)是尋找兩組數(shù)據(jù)之間的線性關(guān)系,其原假設(shè)是”數(shù)據(jù)不存在顯著的線性關(guān)系“。它返回F值和p值兩個統(tǒng) 計量。

和卡方過濾一樣,我們希望選取p值小于0.05或0.01的特征,這些特征與標(biāo)簽時顯著線性相關(guān)的,而p值大于 0.05或0.01的特征則被我們認(rèn)為是和標(biāo)簽沒有顯著線性關(guān)系的特征,應(yīng)該被刪除。

互信息互信息法是用來捕捉每個特征與標(biāo)簽之間的任意關(guān)系(包括線性和非線性關(guān)系)的過濾方法。和F檢驗相似,它既可以做回歸也可以做分類,并且包含兩個類 feature_selection.mutual_info_classif(互信息分類)和feature_selection.mutual_info_regression(互信息回歸)。這兩個類的用法和參數(shù)都和F檢驗一模一樣,不過互信息法比F檢驗更加強(qiáng)大,F(xiàn)檢驗只能夠找出線性關(guān)系,而互信息法可以找出任意關(guān)系。

互信息法不返回p值或F值類似的統(tǒng)計量,它返回“每個特征與目標(biāo)之間的互信息量的估計”,這個估計量在[0,1]之間取值,為0則表示兩個變量獨(dú)立,為1則表示兩個變量完全相關(guān)。

關(guān)于F檢驗和互信息,可以參見官方例子:Comparison of F-test and mutual information[1]

提取簡化后的特征

# 調(diào)用transform()或直接使用fit_transform方法,# 對相同的數(shù)據(jù)集進(jìn)行預(yù)處理和轉(zhuǎn)換。

new_features = test.transform(X)

# 打印出特征提取前后特征數(shù)print(‘原始特征數(shù):’, X.shape[1])

print(‘簡化的特征數(shù):’, new_features.shape[1])

原始特征數(shù): 7

簡化的特征數(shù): 3

chi_sq = pd.DataFrame(fit.scores_, columns = [“Chi_Square”], index=features.columns)

chi_sq = chi_sq.reset_index()

chi_sq.sort_values(‘Chi_Square’,ascending=0)

皮爾遜相關(guān)系數(shù)Pearsonr函數(shù)的接口幾乎與scikit-learn單變量轉(zhuǎn)換器接口一致,該函數(shù)接收兩個數(shù)組 (當(dāng)前例子中為x和y)作為參數(shù),返回兩個數(shù)組:每個特征的皮爾遜相關(guān)系數(shù)和p值,直接把它傳入到SelectKBest函數(shù)中。

SciPy的pearsonr函數(shù)參數(shù)為兩個數(shù)組,但要注意的是第一個參數(shù)x為一維數(shù)組。我們來實現(xiàn)一個包裝器函數(shù),這樣就能像前面那樣處理多維數(shù)組。

from scipy.stats import pearsonr

def multivariate_pearsonr(X, Y):

# 創(chuàng)建scores和pvalues數(shù)組,遍歷數(shù)據(jù)集的每一列。

scores, pvalues = [], []

for column in range(X.shape[1]):

# 只計算該列的皮爾遜相關(guān)系數(shù)和p值,并將其存儲到相應(yīng)數(shù)組中。

cur_score, cur_p = pearsonr(X[:,column], Y)

scores.append(abs(cur_score))

pvalues.append(cur_p)

#函數(shù)最后返回包含皮爾遜相關(guān)系數(shù)和p值的元組。

return (np.array(scores), np.array(pvalues))

該方法衡量的是變量之間的線性相關(guān)性,結(jié)果的取值區(qū)間為,

-1表示完全的負(fù)相關(guān);

+1表示完全的正相關(guān);

0表示沒有線性相關(guān)。

現(xiàn)在,就可以像之前那樣使用轉(zhuǎn)換器類,根據(jù)皮爾遜相關(guān)系數(shù)對特征進(jìn)行排序。

m_pearsonr = SelectKBest(score_func=multivariate_pearsonr, k=3)

X_pearson = m_pearsonr.fit_transform(X, Y)

print(m_pearsonr.scores_)

[9.989e-01 9.992e-01 9.994e-01 3.903e-01

9.078e-03 9.203e-04 2.001e-02]

pearsonr = pd.DataFrame(m_pearsonr.scores_, columns = [“pearsonr”], index=features.columns)

pearsonr = pearsonr.reset_index()

pearsonr.sort_values(‘pearsonr’,ascending=0)

多重共線性方差膨脹系數(shù)方差膨脹系數(shù)(variance inflation factor,VIF)是衡量多元線性回歸模型中復(fù) (多重)共線性嚴(yán)重程度的一種度量。它表示回歸系數(shù)估計量的方差與假設(shè)自變量間不線性相關(guān)時方差相比的比值。

多重共線性是指自變量之間存在線性相關(guān)關(guān)系,即一個自變量可以是其他一個或幾個自變量的線性組合。

通常以10作為判斷邊界。

當(dāng)VIF《10,不存在多重共線性;

當(dāng)10《=VIF《100,存在較強(qiáng)的多重共線性;

當(dāng)VIF》=100, 存在嚴(yán)重多重共線性。

from statsmodels.stats.outliers_influence import variance_inflation_factor

def calculate_vif(features):

vif = pd.DataFrame()

vif[“index”] = features.columns

vif[“VIF”] = [variance_inflation_factor(features.values, i) for i in range(features.shape[1])]

return(vif)

vif = calculate_vif(features)

while vif[‘VIF’][vif[‘VIF’] 》 10].any():

remove = vif.sort_values(‘VIF’,ascending=0)[‘index’][:1]

features.drop(remove,axis=1,inplace=True)

vif = calculate_vif(features)

vif

過濾法總結(jié)

最后用一張表格將過濾法做個總結(jié),方便大家查閱學(xué)習(xí)。

說明 超參數(shù)的選擇
VarianceThreshold 方差過濾,可輸入方差閾值,
返回方差大于閾值的新特征矩陣
看具體數(shù)據(jù)究竟是含有更多噪聲
還是更多有效特征一般就使用0或1
來篩選也可以畫學(xué)習(xí)曲線
或取中位數(shù)跑模型來幫助確認(rèn)
SelectKBest 用來選取K個統(tǒng)計量結(jié)果最佳的特征,
生成看配合使用的統(tǒng)計量
符合統(tǒng)計量要求的新特征矩陣
看配合使用的統(tǒng)計量
chi2 卡方檢驗,專用于分類算法,捕捉相關(guān)性 追求p小于顯著性水平的特征
f_classif F檢驗分類,只能捕捉線性相關(guān)性
要求數(shù)據(jù)服從正態(tài)分布
追求p小于顯著性水平的特征
f_regression F檢驗回歸,只能捕捉線性相關(guān)性
要求數(shù)據(jù)服從正態(tài)分布
追求p小于顯著性水平的特征
mutual_info_classif 互信息分類,可以捕捉任何相關(guān)性
追求互信息估計大于0的特征
不能用于稀疏矩陣
追求互信息估計大于0的特征
mutual_info_regression 互信息回歸,可以捕捉任何相關(guān)性
不能用于稀疏矩陣
追求互信息估計大于0的特征
pearsonr 皮爾遜相關(guān)系數(shù),只能捕捉線性相關(guān)關(guān)系 追求p小于顯著性水平的特征

責(zé)任編輯:haq

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報投訴
  • 數(shù)據(jù)
    +關(guān)注

    關(guān)注

    8

    文章

    7145

    瀏覽量

    89591
  • 模型
    +關(guān)注

    關(guān)注

    1

    文章

    3313

    瀏覽量

    49232

原文標(biāo)題:特征選擇與提取最全總結(jié)之過濾法

文章出處:【微信號:gh_6a53af9e8109,微信公眾號:上海磐啟微電子有限公司】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。

收藏 人收藏

    評論

    相關(guān)推薦

    傳輸線特征阻抗是設(shè)計中最重要的因素

    就稱為受控阻抗的傳輸線。 傳輸線特征阻抗是設(shè)計中最重要的因素 傳輸線的瞬間阻抗或者是特征阻抗是影響信號品質(zhì)的最重要的因素。如果信號傳播過程中,相鄰的信號 傳播間隔之間阻抗保持一致,
    發(fā)表于 01-21 07:11

    MVTRF:多視圖特征預(yù)測SSD故障

    任務(wù)隨機(jī)森林( MVTRF )方案。MVTRF基于從SSD的長期和短期監(jiān)測數(shù)據(jù)中提取的多視圖特征預(yù)測SSD故障。特別地,采用多任務(wù)學(xué)習(xí),通過同一模型同時預(yù)測什么類型的故障以及何時發(fā)生
    的頭像 發(fā)表于 12-30 11:04 ?209次閱讀
    MVTRF:多視圖<b class='flag-5'>特征</b>預(yù)測SSD故障

    Kaggle知識點(diǎn):使用大模型進(jìn)行特征篩選

    數(shù)據(jù)科學(xué)數(shù)據(jù)挖掘的核心是是對海量數(shù)據(jù)進(jìn)行有效的篩選和分析。傳統(tǒng)上數(shù)據(jù)篩選依賴于數(shù)據(jù)驅(qū)動的方法,如
    的頭像 發(fā)表于 12-03 01:06 ?1370次閱讀
    Kaggle知識點(diǎn):使用大模型進(jìn)行<b class='flag-5'>特征</b>篩選

    ADS1299用ADS采集數(shù)據(jù),ADS可以不抽取看原始得數(shù)據(jù)嗎?

    1.用ADS采集數(shù)據(jù),將時域的數(shù)據(jù)進(jìn)行FFT變換,得到頻譜里面看似有 Sinc Filter 抽取,不需要抽取是否可以?ADS可以不抽取
    發(fā)表于 11-20 06:05

    數(shù)據(jù)準(zhǔn)備指南:10種基礎(chǔ)特征工程方法的實戰(zhàn)教程

    數(shù)據(jù)分析和機(jī)器學(xué)習(xí)領(lǐng)域,從原始數(shù)據(jù)中提取有價值的信息是一個關(guān)鍵步驟。這個過程不僅有助于輔助決策,還能預(yù)測未來趨勢。為了實現(xiàn)這一目標(biāo),特征工程技術(shù)顯得尤為重要
    的頭像 發(fā)表于 11-01 08:09 ?333次閱讀
    <b class='flag-5'>數(shù)據(jù)</b>準(zhǔn)備指南:10種基礎(chǔ)<b class='flag-5'>特征</b>工程方法的實戰(zhàn)教程

    特征工程實施步驟

    1.為什么特征工程很重要?對于不同的數(shù)據(jù)科學(xué)家,特征工程可能呈現(xiàn)不同的意義。對于一些數(shù)據(jù)科學(xué)家,特征
    的頭像 發(fā)表于 10-23 08:07 ?369次閱讀
    <b class='flag-5'>特征</b>工程實施步驟

    有獎問卷:隨機(jī)抽取 30 名用戶送出快充數(shù)據(jù)

    非常重要。 該問卷大約只需 5 分鐘即可完成。 我們將隨機(jī)抽取 30 名用戶送出快充數(shù)據(jù)線。 十分感謝您能幫助我們改善您在 TI 的用戶體驗。 TI 用戶體驗設(shè)計團(tuán)隊
    發(fā)表于 10-09 08:08

    求助,AD7190關(guān)于Σ-Δ ADC其中的抽取濾波器的數(shù)據(jù)轉(zhuǎn)換問題求解

    AD7190可以通過模式寄存器的FS[0:9]設(shè)置輸出速率, 0-1023的范圍;此時設(shè)置的數(shù)據(jù)速率選擇位是否就是Σ-Δ ADC抽取濾波器的抽取比? 關(guān)于抽取濾波器,此時我設(shè)置的為10
    發(fā)表于 09-09 06:11

    防水和防振動功能2.5 英寸SAS/SATA硬盤抽取盒 非常適合車載數(shù)據(jù)存儲

    首創(chuàng)的防水和防振動功能 2.5 英寸 SAS/SATA 硬盤抽取盒 – 非常適合車載數(shù)據(jù)存儲
    的頭像 發(fā)表于 08-12 19:16 ?503次閱讀
    防水和防振動功能2.5 英寸SAS/SATA硬盤<b class='flag-5'>抽取</b>盒 非常適合車載<b class='flag-5'>數(shù)據(jù)</b>存儲

    中科曙光受邀參加第十屆中國數(shù)據(jù)挖掘會議

    近日,國內(nèi)數(shù)據(jù)挖掘領(lǐng)域最主要的學(xué)術(shù)活動之一—第十屆中國數(shù)據(jù)挖掘會議(CCDM2024)于山東泰安舉行,中科曙光參與并分享了曙光AI構(gòu)建產(chǎn)學(xué)研用的生態(tài)實踐。
    的頭像 發(fā)表于 08-01 10:43 ?646次閱讀

    機(jī)器學(xué)習(xí)中的數(shù)據(jù)預(yù)處理與特征工程

    在機(jī)器學(xué)習(xí)的整個流程中,數(shù)據(jù)預(yù)處理與特征工程是兩個至關(guān)重要的步驟。它們直接決定了模型的輸入質(zhì)量,進(jìn)而影響模型的訓(xùn)練效果和泛化能力。本文將從數(shù)據(jù)預(yù)處理和
    的頭像 發(fā)表于 07-09 15:57 ?604次閱讀

    如何使用freeRTOS在兩個任務(wù)之間傳輸任務(wù)數(shù)據(jù)

    和壓力。 I2C 主控器基于其他演示項目\"硬件抽象層 (HAL):I2C 主控器\" 任務(wù) 1:盡可能快地讀取傳感器數(shù)值 任務(wù) 2:將數(shù)據(jù)寫入 NAND 閃存或 SD 卡 我
    發(fā)表于 07-03 07:55

    通過強(qiáng)化學(xué)習(xí)策略進(jìn)行特征選擇

    來源:DeepHubIMBA特征選擇是構(gòu)建機(jī)器學(xué)習(xí)模型過程中的決定性步驟。為模型和我們想要完成的任務(wù)選擇好的特征,可以提高性能。如果我們處理的是高維數(shù)據(jù)集,那么選擇
    的頭像 發(fā)表于 06-05 08:27 ?414次閱讀
    通過強(qiáng)化學(xué)習(xí)策略進(jìn)行<b class='flag-5'>特征</b>選擇

    用STM8做一個用于抽取頻譜的東西, 如何采樣128個點(diǎn)用于FFT數(shù)據(jù)計算?

    各位前輩和大俠們: 想用STM8做一個用于抽取頻譜的東西, 采用128點(diǎn)的FFT運(yùn)算, 采樣率為16K, 這里就需要一次采樣128個點(diǎn)用于FFT數(shù)據(jù)計算. 該如何采樣這128個點(diǎn)的數(shù)據(jù)呢? 1.
    發(fā)表于 05-16 08:10

    選擇 KV 數(shù)據(jù)最重要的是什么?

    經(jīng)常有客戶提到 KV 數(shù)據(jù)庫,但卻偏偏“不要 Redis”。比如有個做安全威脅分析平臺的客戶,他們明確表示自己對可靠性要求非常高,需要的不是開源 Redis 這種內(nèi)存緩存庫,而是 KV 數(shù)據(jù)庫。雖然
    的頭像 發(fā)表于 03-28 22:11 ?745次閱讀
    選擇 KV <b class='flag-5'>數(shù)據(jù)</b>庫<b class='flag-5'>最重要</b>的是什么?
    百家乐作弊| 百家乐官网十佳投庄闲法| 电子百家乐破| 马德里百家乐官网的玩法技巧和规则| 博狗备用网址| 最佳场百家乐的玩法技巧和规则| 谁会玩百家乐官网的玩法技巧和规则 | 新澳门百家乐娱乐城| 百家乐官网怎么才能包赢| 山西省| 德州扑克吧| 免费百家乐计划软件| 极速百家乐真人视讯| 百家乐娱乐全讯网| 澳门百家乐官网765118118| e世博百家乐官网攻略| 田东县| 南通热线棋牌中心| 海口太阳城大酒店| 小孟百家乐的玩法技巧和规则| 百家乐游戏发展| 属蛇和属猪做生意吗| 百家乐官网tt赌场娱乐网规则| 博久百家乐官网论坛| 真钱博彩网| 高尔夫百家乐官网的玩法技巧和规则| 百家乐官网游戏策略| 灵川县| 皇冠网219678| 娱乐百家乐官网可以代理吗| 百家乐官网赌博技巧大全| 网络百家乐官网游戏机怎么破解| 乌鲁木齐市| 广州市| 疏附县| 武城县| 永胜县| 如何玩百家乐官网扑克| 百家乐官网游戏补牌规则| 送彩金百家乐官网平台| 百苑百家乐官网的玩法技巧和规则 |