- 综合排序
- 最热优先
- 最新优先
- 来自专栏MeteoAI
特征工程自动化之FeatureTools
FeatureTools[1] 特征工程是指以已有的数据为基础，根据专业领域的知识和经验，构造新的特征，获取高效准确的模型的过程。该过程是机器学习的关键，大部分工作需要依靠人力，耗费时间和精力。 FeatureTools就是是特征工程自动化的框架，可以将时间和数据之间的关系转化为特征矩阵，自动实现特征工程。 github项目地址 https://github.com/Featuretools/featuretools 安装 python -m pip install featuretools conda install -c conda-forge featuretools # 如果需要调用实体集的变量和关系的图形显示 conda install -c conda-forge featuretools 简单介绍和使用 创建实体集 import featuretools as ft #导入demo数据 data=ft.demo.load_Mock_customer() #定义一个实体集 es=ft.EntitySet(
2.5K10发布于 2019-07-24 - 来自专栏深度学习思考者
机器学习特征提取 | 自动特征工程featuretools
1、什么是Featuretools？ 为了能使框架普适，就像pandas用于数据准备或scikit-learn用于机器学习。 链接：https://www.featuretools.com/ 2、安装 通过源码安装，代码如下： git clone https://github.com/featuretools/featuretools.git cd featuretools python setup.py install 通过pip安装，命令如下： pip install featuretools 3、五分钟快速开始 1）首先导入相关包： In [1]: import featuretools as ft 2）准备相关数据： In [2]: data = ft.demo.load_mock_customer() In [3]: customers_df
1.9K50发布于 2018-01-02 - 来自专栏ShowMeAI研究中心
机器学习实战 | 自动化特征工程工具Featuretools应用
5.Featuretools简介 Featuretools是一个Python自动化特征工程的工具库。它可以帮助大家快速构建丰富的数据特征，而把更多的时间聚焦于构建机器学习模型的其他方面。 安装 大家可以在命令行使用pip轻松安装Featuretools。 pip install featuretools 6.2 导入依赖工具库及数据 import featuretools as ft import numpy as np import pandas as 特征工程 下面我们使用Featuretools来实现自动化特征工程。 通过上述操作，Featuretools就自行构造了许多新特征。
2K83编辑于 2022-03-22 - 来自专栏机器学习AI算法工程
featuretools，可自动构造机器学习特征的Python库
在Featuretools中将表称之为entity。
84020发布于 2019-10-28 - 来自专栏数据派THU
独家 | 用Python Featuretools库实现自动化特征工程（附链接）
我们将使用一个名为Featuretools的Python特征工程库，来实现这一流程。 Featuretools简介 6. Featuretools实践 7. Featuretools的可解释性 1. 什么是特征 在机器学习的背景下，特征是用来解释现象发生的单个特性或一组特性。 嗯，我们有一个很好的工具可以用来解决这个问题，它叫Featuretools。 5. Featuretools简介 ? Featuretools是一个开源库，用来实现自动化特征工程。 6.1 安装 Featuretools适用于Python 2.7,3.5和3.6，可以使用pip轻松安装Featuretools。 ? 6.2 下载需要的库和数据 ? 6.5 使用Featuretools实现特征工程 现在，我们可以开始使用Featuretools来实现自动化特征工程了！ 数据集中必须具有唯一标识符的特征（我们的数据集现在没有任何这样的特征）。
1.8K20发布于 2018-12-11 - 来自专栏量子位
手把手教你用Python实现自动特征工程
下面会使用Python特征工程库Featuretools来实现这个任务。 Featuretools简介 6. Featuretools实现 7. Featuretools可解释性 1 特征 在机器学习中，特征可以描述为解释现象发生的一组特点。 别担心，已经有一个很好的Python工具库解决了这个问题，那就是Featuretools。 5 Featuretools简介 ? 适用于Python 2.7、3.5和3.6，可使用pip命令快速安装Featuretools。 执行特征工程 在这节，我们要使用Featuretools来执行自动特征工程。
1.5K50发布于 2018-09-29 - 来自专栏AI科技大本营的专栏
手动特征工程已经OUT了！自动特征工程才是改进机器学习的方式
在本文中，我们将使用 Featuretools 库来了解自动化特征工程如何改变并优化机器学习的工作方式。 学习 Featuretools 需要花费一些时间，但我认为这是一项值得、能够带来回报的投资。花了一小时时间学会 Featuretools，你可以将其应用于任何机器学习的特征工程问题。 幸运的是，这个问题在 Featuretools 中能够很容易地解决。 除了预测性能外，Featuretools 实现还能提供一个很有价值的东西：可解释性功能。 即使手动特征工程需要花费比 Featuretools 多得多的时间，但我也无法创建出一组性能接近相同的特征。
1.7K31发布于 2018-09-28 - 来自专栏小数志
还在苦恼特征工程？不妨试试这个库
featuretools是一个python的开源库（https://www.featuretools.com/），从其名字就可看出，这是一个用于特征相关的工具，是由featurelab团队最早提出设计（ featuretools的安装和基本使用 featuretools的安装过程非常简单，和其他python库可直接使用pip工具完成安装一样，featuretools也可以这样安装。 pip install featuretools 安装完成后，调包的过程一般只需要如下一句，这就像import numpy as np一样，而后续的所有操作都是基于ft这个主入口的： import featuretools as ft 当然，在具体使用之前，这里还是要先简单介绍下featuretools的基本设计和原理。 如上就是一些关于featuretools的基本设计的简要介绍，更为详尽的理论和使用还需查阅论文或其他资料。
78620发布于 2021-08-20 - 来自专栏大数据文摘
手把手 | 如何用Python做自动化特征工程
幸运的是，featuretools正是我们正在寻找的解决方案。 然而，不久之后我们就可以使用featuretools来自动化该过程。 实体和实体集 featuretools的前两个概念是实体和实体集。 我们可以使用以下命令在featuretools中创建一个空实体集： import featuretools as ft # Create new entityset es = ft.EntitySet 目前，我们知道我们可以使用featuretools以最小的努力从许多表创建许多功能！ 结论 与机器学习中的许多主题一样，使用featuretools的自动化特征工程是一个基于简单想法的复杂概念。 有关featuretools的更多信息，包括高级用法，请查看在线文档： https://docs.featuretools.com 要了解功能工具在实践中的使用方式，请阅读开源库背后的公司Feature
5.4K10发布于 2018-09-20 - 来自专栏机器学习初学者精选文章
【NLP】使用Google的T5提取文本特征
这就是Featuretools基本函数的用武之地。Featuretools旨在为不同类型的数据（包括文本）自动创建特征，然后表格机器学习模型可以使用这些数据。 既然我们已经加载了两个版本的T5，我们可以构建TransformPrimitive类，这些类将与NLP和Featuretools库集成。 from featuretools.primitives.base import TransformPrimitive from featuretools.variable_types import Numeric 请注意，上面的0.64逻辑回归分数显示了比Featuretools原生逻辑回归分数0.63有0.01的改进。 使用随机林分类器： ? ? 请注意，上面T5增强的0.65随机林分类器分数显示了比Featuretools本机随机林分类器分数0.64有0.01的改进。
1.9K30发布于 2021-07-29 - 来自专栏大数据文摘
为什么说自动化特征工程将改变机器学习的方式
Featuretools： https://docs.featuretools.com/#minute-quick-start Featuretools是一个用于自动化特征工程的开源Python库。 Featuretools要快得多，因为它需要更少的领域知识和明显更少的代码。 我承认学习Featuretools需要花费一些时间，但这是一项可以带来回报的投资。 幸运的是，如果使用Featuretools，那么确保时间序列问题中的数据有效性将变得很简单。 除了提供令人印象深刻的预测性能之外，Featuretools的实现还给了我同样有价值的东西：可解释的特征。 甚至不确定手动特征是否是使用有效数据制作的，但是使用Featuretools，不必担心时间依赖问题中的数据泄漏。
79230发布于 2019-03-04 - 来自专栏机器学习AI算法工程
Auto-ML之自动化特征工程
自动化特征工程工具包 3.1 Featuretools Featuretools使用一种称为深度特征合成（Deep Feature Synthesis，DFS）的算法，该算法遍历通过关系数据库的模式描述的关系路径 而Featuretools通过基于一种称为“ 深度特征合成 ”的方法，即通过堆叠多个特征来完成特征工程。 Featuretools有两个主要概念： 第一个是entities，它可被视为单个表。 第二个是entityset，它是实体(表)的集合，以及用来表示实体之间的关系。 需要注意，featuretools 是通过以下两种操作进行特征构造： Aggregations:分组聚合 Transformations:列之间计算 在 featuretools 中，可以使用这些原语自行创建新特性 下面是featuretools中的一些功能原语列表： ?
1.5K30发布于 2019-10-29 - 来自专栏ShowMeAI研究中心
2022年Python顶级自动化特征工程框架⛵
Feature ToolsTSFreshFeaturewizPyCaret Feature Tools 简介Featuretools是一个用于执行自动化特征工程的开源库。 ShowMeAI在文章 机器学习实战 | 自动化特征工程工具Featuretools应用 中也对它做了介绍。 图片要了解 Featuretools，我们需要了解以下三个主要部分：EntitiesDeep Feature Synthesis (DFS)Feature primitives在 Featuretools 不仅可以完成自动化特征生成，它还可以对生成的特征可视化，并说明Featuretools 生成它的方法。 ：https://featuretools.alteryx.com/en/stable/ 机器学习实战 | 自动化特征工程工具Featuretools应用：https://www.showmeai.tech
2.3K60编辑于 2022-11-14 - 来自专栏machine_learning
AutoML之自动化特征工程
自动化特征工程工具包 3.1 Featuretools Featuretools使用一种称为深度特征合成（Deep Feature Synthesis，DFS）的算法，该算法遍历通过关系数据库的模式描述的关系路径 而Featuretools通过基于一种称为“ 深度特征合成 ”的方法，即通过堆叠多个特征来完成特征工程。 此外，虽然featuretools会自动推断实体中每个列的数据类型，但仍可以通过将列类型的字典传递给参数variable_types来重新定义数据类型。 需要注意，featuretools 是通过以下两种操作进行特征构造： Aggregations:分组聚合 Transformations:列之间计算 在 featuretools 中，可以使用这些原语自行创建新特性 下面是featuretools中的一些功能原语列表： ?
2.5K21发布于 2020-09-09 - 来自专栏机器人网
机器学习2.0时代：用自动化AI干掉一大票专家
这是一个测试机器学习2.0自动化工具Featuretools的机会，Featuretools是一个由DARPA的模型数据驱动发现（D3M）项目资助的开源库，用于处理现实世界的问题。 使用Featuretools涉及一系列人机交互。在这种情况下，Featuretools首先向领域专家推荐了40000个功能。
83670发布于 2018-04-12 - 来自专栏算法进阶
一文归纳Python特征生成方法(全)
4.1 FeatureTools上手 Featuretools是一个用于执行自动化特征工程的开源库，它有基本的3个概念：1）Feature Primitives(特征基元)：生成特征的常用方法，分为聚合 可通过如下代码列出featuretools的特征加工方法及简介。 import featuretools as ft ft.list_primitives() 2）Entity(实体) 可以被看作类似Pandas DataFrame, 多个实体的集合称为Entityset agg_primitives=['sum'], max_depth=2,n_jobs=1,verbose=-1) 4.2 FeatureTools
1.3K20编辑于 2022-06-01 - 来自专栏算法进阶
20个必知的自动化机器学习库（Python）
安装 用pip安装 python -m pip install featuretools 或通过conda上的Conda-forge频道： conda install -c conda-forge featuretools 附加组件 我们可以运行以下命令单独安装或全部安装附件 python -m pip install featuretools[complete] 更新检查器—接收有关 FeatureTools新版本的自动通知 python -m pip install featuretools[update_checker] TSFresh基本体-在Featuretools中使用 tsfresh中的60多个基本体 python -m pip install featuretools[tsfresh] 例 import featuretools as ft es = ft.demo.load_mock_customer (return_entityset=True) es.plot() 图片 Featuretools可以为任何"目标实体"自动创建一个特征表 feature_matrix, features_defs
1.2K20编辑于 2023-08-28 - 来自专栏学习
机器学习“捷径”：自动特征工程全面解析（附代码示例）
代码示例：使用 Featuretools 自动生成特征 Featuretools 是一个用于自动特征生成的 Python 库，可以自动从关系型数据中生成聚合和转换特征。 import featuretools as ft import pandas as pd # 创建示例数据集 data = pd.DataFrame({ 'customer_id': [1 ', 'sum'], trans_primitives=['month', 'day'] ) print(feature_matrix.head()) 该示例定义了一个交易数据集，并使用 Featuretools 以下是几个常见的开源工具： Featuretools：专注于自动生成聚合和转换特征，非常适合处理结构化数据。
1.5K10编辑于 2024-10-19 - 来自专栏日常学python
20个必备的Python机器学习库，建议收藏！
安装 用pip安装 python -m pip install featuretools 或通过conda上的Conda-forge频道： conda install -c conda-forge featuretools 附加组件 我们可以运行以下命令单独安装或全部安装附件 python -m pip install featuretools[complete] 更新检查器—接收有关FeatureTools新版本的自动通知 python -m pip install featuretools[update_checker] TSFresh基本体-在Featuretools中使用tsfresh中的60多个基本体 python -m pip install featuretools[tsfresh] 例 import featuretools as ft es = ft.demo.load_mock_customer(return_entityset =True) es.plot() Featuretools可以为任何"目标实体"自动创建一个特征表 feature_matrix, features_defs = ft.dfs(entityset=es
1.5K20编辑于 2022-09-28 - 来自专栏量子位
建模数据科学家的福音：MIT系特征自动构造工具今日发布
可以用Feature Labs给开发者提供的开源框架，Featuretools。针对新的机器学习问题，构建小型项目的算法。 Featuretools使用指南→https://docs.featuretools.com/#minute-quick-start 不过，如果想要扩大项目规模，就要购买Feature Labs提供的商用产品
1.1K50发布于 2018-03-02
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号