系列文章目录
未完待续……
目录
前言
tips：这里只是总结，不是教程哈。
“***”开头的是给好奇心重的宝宝看的，其实不太重要可以跳过。
此处以下所有内容均为暂定，因为我还没找到一个好的，让小白（我自己）也能容易理解（更系统、嗯应该是宏观）的讲解顺序与方式。
第一文主要简述了一下机器学习大致有哪些东西（当然远远不止这些），对大体框架有了一定了解。接着我们根据机器学习的流程一步步来学习吧，掐掉其他不太用得上我们的步骤，精练起来就4步（数据预处理，特征工程，训练模型，模型评估），其中训练模型则是我们的重头戏，基本上所有算法也都是这一步，so，这个最后写，先把其他三个讲了，然后，在结合这三步来进行算法的学习，兴许会好点（个人拙见）。
一、特征工程简介
为什么需要特征工程？
数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。所以需要在特征上下功夫。
1、特征工程定义：
特征工程是使用一定技巧处理数据，使得特征能在机器学习算法上发挥更好的作用的过程。会直接影响机器学习的效果。
2、特征工程包含内容：
特征提取（特征抽取）、特征预处理、特征降维
二、特征提取
1、定义
将任意数据（如文本或图像）转换为可用于机器学习的数字特征。
2、字典特征提取
该
3、文本特征提取
该
三、特征预处理
1、定义
通过一些转换函数，将特征数据转换成更适合算法模型的特征数据的过程。
2、归一化
该
3、标准化
该
四、特征降维
1、定义
降维是指在某些限定条件下，降低随机变量（特征）个数，得到一组“不相关”主变量的过程
2、特征选择
该
3、主成分分析
该
1.1、嗡嗡嗡
嗡嗡嗡
1.2、十五万
嗡嗡嗡
总结
提示：这里对文章进行总结：
例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。
