10万+字的机器学习理论笔记&特征工程tips分享，附PDF下载

2020 年 4 月 11 日
筆記

随着我们在机器学习、数据建模、数据挖掘分析这条发展路上越走越远，其实越会感觉到机器学习理论知识和特征工程的重要性，这里有两本一位好友整理的学习资料，都是满满干货！分别是《machine learning knowledge》和《Tips of feature engineering》，全文加起来超过10万字！

资料领取方式：

1.扫码关注下方 “SAMshare” 公众号

2.回复关键词1获取机器学习理论知识：MLK

3.回复关键词2获取特征工程：TIPS

SAMshare

? 《machine learning knowledge》内容摘选

目前作者更新的系列文章有12篇，每一篇都相对比较干货的，目录如下：

MLK01 | 机器学习论文搜索利器推荐

MLK02 | 如何解决机器学习树集成模型的解释性问题

MLK03 | 那些常见的特征工程

MLK04 | 机器学习的降维”打击“

MLK05 | 机器学习采样方法大全

MLK06 | 非监督学习最强攻略

MLK07 | 机器学习常见算法优缺点了解一下

MLK08 | 模型评估的一些事

MLK09 | 一文理清深度学习前馈神经网络

MLK10 | 一文理清深度学习循环神经网络

MLK11 | 一文理清集成学习知识点(Boosting&Bagging)

MLK12 | Keras 基础模型调参指南

我们看看当中的一些文章片段：

? 机器学习论文搜索利器推荐

? 树集成模型的解释性问题

目前TREE SHAP可以支持的树集成模型有XGBoost, LightGBM, CatBoost, and scikit-learn tree models，可以看看下面的demo：

import xgboost  import shap    # load JS visualization code to notebook  shap.initjs()    """训练 XGBoost 模型，SHAP里提供了相关数据集"""    X,y = shap.datasets.boston()  model = xgboost.train({"learning_rate": 0.01}, xgboost.DMatrix(X, label=y), 100)    """  通过SHAP值来解释预测值  (同样的方法也适用于 LightGBM, CatBoost, and scikit-learn models)  """  explainer = shap.TreeExplainer(model)  shap_values = explainer.shap_values(X)    # 可视化解释性 (use matplotlib=True to avoid Javascript)  shap.force_plot(explainer.expected_value, shap_values[0,:], X.iloc[0,:])

# visualize the training set predictions  shap.force_plot(explainer.expected_value, shap_values, X)

? 还有很多机器学习基础理论

? 《Tips of feature engineering》内容摘选

大家可以先看看目前更新到的内容明细：

项目目前更新到19节，一般来说是每天一更新，每一节都会有配套的数据集以及代码，下面我们拿几个“锦囊”来看一下！

Tip15：如何使用sklearn的多项式来衍生更多的变量？

关于这种衍生变量的方式，理论其实大家应该很早也都听说过了，但是如何在Python里实现，也就是今天在这里分享给大家，其实也很简单，就是调用sklearn的PolynomialFeatures方法，具体大家可以看看下面的demo。

这里使用一个人体加速度数据集，也就是记录一个人在做不同动作时候，在不同方向上的加速度，分别有3个方向，命名为x、y、z。

关键代码

# 扩展数值特征  from sklearn.preprocessing import PolynomialFeatures    x = df[['x','y','z']]  y = df['activity']    poly = PolynomialFeatures(degree=2, include_bias=False, interaction_only=False)    x_poly = poly.fit_transform(x)  pd.DataFrame(x_poly, columns=poly.get_feature_names()).head()

就这样子简单的去调用，就可以生成了很多的新变量了。

Tip17：如何把分布修正为类正态分布？

今天我们用的是一个新的数据集，也是在kaggle上的一个比赛，大家可以先去下载一下：

下载地址：

https://www.kaggle.com/c/house-prices-advanced-regression-techniques/data

import pandas as pd  import numpy as np  # Plots  import seaborn as sns  import matplotlib.pyplot as plt    # 读取数据集  train = pd.read_csv('./data/house-prices-advanced-regression-techniques/train.csv')  train.head()

首先这个是一个价格预测的题目，在开始前我们需要看看分布情况，可以调用以下的方法来进行绘制：

sns.set_style("white")  sns.set_color_codes(palette='deep')  f, ax = plt.subplots(figsize=(8, 7))  #Check the new distribution  sns.distplot(train['SalePrice'], color="b");  ax.xaxis.grid(False)  ax.set(ylabel="Frequency")  ax.set(xlabel="SalePrice")  ax.set(title="SalePrice distribution")  sns.despine(trim=True, left=True)  plt.show()

我们从结果可以看出，销售价格是右偏，而大多数机器学习模型都不能很好地处理非正态分布数据，所以我们可以应用log(1+x)转换来进行修正。那么具体我们可以怎么用Python代码实现呢？

# log(1+x) 转换  train["SalePrice_log"] = np.log1p(train["SalePrice"])    sns.set_style("white")  sns.set_color_codes(palette='deep')  f, ax = plt.subplots(figsize=(8, 7))    sns.distplot(train['SalePrice_log'] , fit=norm, color="b");    # 得到正态分布的参数  (mu, sigma) = norm.fit(train['SalePrice_log'])    plt.legend(['Normal dist. ($mu=$ {:.2f} and $sigma=$ {:.2f} )'.format(mu, sigma)],              loc='best')  ax.xaxis.grid(False)  ax.set(ylabel="Frequency")  ax.set(xlabel="SalePrice")  ax.set(title="SalePrice distribution")  sns.despine(trim=True, left=True)    plt.show()

资料领取方式：

1.扫码关注下方 “SAMshare” 公众号

2.回复关键词1获取机器学习理论知识：MLK

3.回复关键词2获取特征工程：TIPS