核密度积分变换
机器学习
2023-10-20 v2 机器学习
摘要
在将机器学习和统计方法应用于表格数据时，特征预处理持续发挥着关键作用。本文提出将核密度积分变换用作特征预处理步骤。我们的方法以极限情形包含了两种主流特征预处理方法：线性最小-最大缩放与分位数变换。我们证明，无需超参数调优，核密度积分变换即可作为任一方法的简单即插即用替代，避免各自弱点。或者，通过对单一连续超参数调优，我们经常优于这两种方法。最后，我们展示核密度变换可有益地应用于统计数据分析，特别是在相关分析与单变量聚类中。
引用
@article{arxiv.2309.10194,
title = {The Kernel Density Integral Transformation},
author = {Calvin McCarter},
journal= {arXiv preprint arXiv:2309.10194},
year = {2023}
}
备注
Published in Transactions on Machine Learning Research (10/2023)