Какие основные методы Feature Engineering применяются для повышения точности моделей машинного обучения?

Некоторые основные методы Feature Engineering, которые применяются для повышения точности моделей машинного обучения:

• Извлечение признаков (feature extraction). bigdataschool.ru Превращение данных, специфических для предметной области, в понятные для модели числовые векторы. bigdataschool.ru В частности, здесь выполняется токенизация и лемматизация текстов, обработка изображений и геоданных. bigdataschool.ru
• Преобразование признаков (feature transformation). bigdataschool.ru Изменение данных для повышения точности алгоритма, например, нормализация или изменение вероятностного распределения. bigdataschool.ru
• Отбор признаков (feature selection). bigdataschool.ru postypashki.ru Отсечение ненужных признаков с помощью алгоритмов машинного обучения, которые позволяют оценить важность предиктора, например, жадный алгоритм, логистическая регрессия, случайный лес, градиентный бустинг. bigdataschool.ru
• Генерация новых признаков. blog.skillfactory.ru Например, путём вычисления разниц, произведений или логарифмов. blog.skillfactory.ru Это помогает выделить важные зависимости. blog.skillfactory.ru
• Методы уменьшения размерности. blog.skillfactory.ru Например, PCA и LDA, которые выделяют главные компоненты или линейные комбинации признаков, помогая снизить размерность данных. blog.skillfactory.ru