深度学习之特征工程Feature Engineering特征比分类器更重要，几种特征工程的方法：1、预处理：经过数据的预处理，如去除噪声等。比如在文本分类中，去除停用词等；2、特征提取：从原始数据中提取一些有效的特征。比如在图像分类中提取边缘、尺度不变特征变换特征等。3、特征转换：对特征进行一定的加工，比如降维和升维。降维包括：特征提取：PCA、LDA特征选择：互信息、TF-IDF深度学习 = 表

深度学习之特征工程Feature Engineering特征比分类器更重要，几种特征工程的方法：1、预处理：经过数据的预处理，如去除噪声等。比如在文本分类中，去除停用词等；2、特征提取：从原始数据中提取一些有效的特征。比如在图像分类中提取边缘、尺度不变特征变换特征等。3、特征转换：对特征进行一定的加工，比如降维和升维。降维包括：特征提取：PCA、LDA特征选择：互信息、TF-IDF深度学习 = 表

深度学习之特征工程Feature Engineering特征比分类器更重要，几种特征工程的方法：1、预处理：经过数据的预处理，如去除噪声等。比如在文本分类中，去除停用词等；2、特征提取：从原始数据中提取一些有效的特征。比如在图像分类中提取边缘、尺度不变特征变换特征等。3、特征转换：对特征进行一定的加工，比如降维和升维。降维包括：特征提取：PCA、LDA特征选择：互信息、TF-IDF深度学习 = 表

深度学习之特征工程Feature Engineering特征比分类器更重要，几种特征工程的方法：1、预处理：经过数据的预处理，如去除噪声等。比如在文本分类中，去除停用词等；2、特征提取：从原始数据中提取一些有效的特征。比如在图像分类中提取边缘、尺度不变特征变换特征等。3、特征转换：对特征进行一定的加工，比如降维和升维。降维包括：特征提取：PCA、LDA特征选择：互信息、TF-IDF深度学习 = 表