線性迴歸總是跑不準？這份「模型進化指南」教你如何從數據處理到特徵工程全進化
你是不是也跟我以前一樣，剛學機器學習的時候，第一個接觸的就是「線性迴歸」（Linear Regression）？ 那時候覺得這東西超簡單，不就是畫一條線穿過一堆點嗎？model.fit(X, y) 一行程式碼就收工了。但等我真的把這套東西拿到實戰場景，不管是預測公司的電商銷量，還是分析產品的轉化率，我才發現，現實數據根本不聽話。
閱讀文章 →#特徵工程
共 4 篇文章
【特徵選擇-包裝法】SFS序列特徵選擇法
麥特在攻讀研究所的時候，對於特徵工程領域有非常強烈的興趣，所以搜尋到Sequential Feature Selector序列特徵選擇法這項特徵選擇技術，而其中又有不同的改良方法，我在撰寫碩士論文的內容中，就有使用到序列特徵選擇法來進行特徵的挑選，也讓最後建立的模型有不錯的表現。
閱讀文章 →
RFE 遞迴特徵消除法全攻略：如何透過特徵工程提升機器學習準確率？
想提升模型準確率？本文教你如何使用 RFE (Recursive Feature Elimination) 遞迴特徵消除法。作為特徵工程中強大的包裝法 (Wrapper method) 技術，RFE 能自動篩選重要變數、優化特徵選擇並降低過擬合。適合程式初學者搭配 Python Scikit-learn 實作。
閱讀文章 →
從 0 開始學特徵工程：搞懂 Filter Methods 與 Wrapper Methods 的差異與應用
想提升機器學習準確度嗎？本文專為程式初學者設計，深度解析特徵工程 (Feature Engineering) 核心概念。從資料轉換到關鍵的特徵選擇，詳解 Filter Methods 與 Wrapper Methods 的優缺點，助你優化資料結構，打造最強預測模型。
閱讀文章 →