多项式特征变换type
status
date
slug
summary
tags
category
icon
password
Property
多项式特征是通过将现有特征提升到指数而创建的那些特征。
例如，如果数据集有一个输入特征 ，那么多项式特征将是添加一个新特征，其值是通过对 X 中的值进行平方来计算的，例如 。可以对数据集中的每个输入变量重复此过程，从而创建每个输入变量的转换版本。因此，多项式特征是一种特征工程，基于现有特征创建新的输入特征。
多项式的“度”用于控制添加的特征数量，例如，3的度数将为每个输入变量添加两个新变量。通常使用较小的度数，例如 2 或 3。
添加表示特征之间相互作用的新变量也很常见，例如，表示一个变量乘以另一个变量的新列。这也可以对每个输入变量重复，为每对输入变量创建一个新的“交互”变量。
输入变量的平方或立方版本将改变概率分布，将小值和大值分开，这种分离随着指数的大小而增加。
这种分离可以帮助一些机器学习算法做出更好的预测，并且在回归预测建模任务和具有数字输入变量的一般任务中很常见。
通常线性算法，例如线性回归和逻辑回归，对多项式输入变量的使用反应良好。当用作线性回归算法的输入时，该方法更广泛地称为多项式回归。
多项式特征变换可通过PolynomialFeatures 类在 scikit-learn 库中使用。
创建的功能包括：
- 偏差（1.0 的值）
- 每个度数的值（例如 ）
- 所有特征对之间的交互（例如 x1 * x2、x1 * x3、...）
例如，对于两个值为 2 和 3 且度数为 2 的输入变量，创建的特征将是：
- 1（偏差）
- “ degree ” 参数控制创建的特征数量，默认为 2
- “ interaction_only ”参数意味着只包括原始值（1 级）和交互（值对相互相乘），默认为False
- “ include_bias ” 参数默认为True以包含偏差功能