feature-selection

Biblioteca Python de código aberto para engenharia e seleção de recursos, compatível com sklearn.

Ações de Deep Learning e Machine Learning representam oportunidades promissoras tanto para investidores e traders de longo quanto de curto prazo.

Machine Learning em R

NVTabular é uma biblioteca de engenharia de recursos e pré-processamento para dados tabulares, projetada para manipular rápida e facilmente conjuntos de dados em escala de terabytes usados para treinar sistemas de recomendação baseados em deep learning.

Importância de deixar um recurso de fora (LOFO)

EvalML é uma biblioteca de AutoML escrita em Python.

Engenharia de recursos (feature engineering) é o processo de usar conhecimento do domínio para extrair recursos de dados brutos por meio de técnicas de mineração de dados. Esses recursos podem ser usados para melhorar o desempenho de algoritmos de aprendizado de máquina. A engenharia de recursos pode ser considerada como o próprio aprendizado de máquina aplicado.

Use estratégias avançadas de engenharia de recursos e selecione as melhores características do seu conjunto de dados com uma única linha de código. Criado por Ram Seshadri. Colaboradores são bem-vindos.

mRMR (mínima redundância e máxima relevância) para seleção automática de recursos em larga escala.

Um pacote em Python para a sintonia simultânea de hiperparâmetros e seleção de recursos para modelos Gradient Boosting.

Modelo de previsão linear com recursos automatizados de engenharia e seleção de atributos

Biblioteca Python fácil de usar com funções personalizadas para limpeza e análise de dados.