深度学习之前特区特征构建大矩阵有什么方法吗？
2023-11-09 阅读 21
在深度学习出现之前，特征构建通常涉及手动设计和选择特征。以下是一些常见的方法：
1. 基本特征：使用原始数据的基本特征，例如数值型数据的均值、方差等。
2. 统计特征：通过计算数据的统计指标，如最大值、最小值、中位数、众数等，来捕捉数据的分布情况。
3. 文本特征：对于文本数据，可以使用词袋模型、TF-IDF等方法将文本转化为向量表示。
4. 时间序列特征：对于时间序列数据，可以提取滑动窗口统计特征、时序模式特征等。
5. 频域特征：对于信号数据，可以使用傅里叶变换等方法将信号转化为频域特征。
6. 特征交叉：将不同特征进行组合，构建新的特征，以捕捉不同特征之间的相互关系。
7. 特征选择：使用统计方法、正则化方法等来选择对目标变量有较强预测能力的特征。
这些方法虽然在特征构建方面取得了一定的效果，但是需要专业领域知识和大量的人工参与。而深度学习的出现使得特征的构建和选择过程更加自动化和高效。
更新于 2023年11月09日
