數值變數的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

Kaggle 競賽攻頂秘笈 - 揭開 Grandmaster 的特徵工程心法，掌握制勝的關鍵技術

為了解決數值變數的問題，作者門脇大輔,阪田隆司,保坂桂佑,平松雄司 這樣論述：

　　Kaggle 是目前最大的資料科學競賽平台，這裡匯集世界各地超過 10 萬名資料科學家，解決各大企業公開於平台上面的資料及問題。Kaggle 曾經舉辦過總獎金一百萬美金的競賽，尋求各路好手解決癌症影像辨識的問題；也曾經有參賽者因為解決了一家壽險公司在 Kaggle 上發布的問題，因此順利進入該公司工作。因此，Kaggle 無疑是展現高超技術力，同時也是尋求優渥獎金、薪資、更好職位的途徑。 　　對於人工智慧的工程師、學生來說，Kaggle 平台提供了大量免費的資源：真實世界的資料集、各路好手的討論分享、以及累積實際操作的經驗等等。這些資源在一般課堂上幾乎很難取得，卻也是

這領域最需要的知識與技能。 　　本書作者為四位 Kaggle 資料科學競賽專家，他們不僅透過實務上的角度解析各種特徵工程技術，超越一般教科書的視野；更重要的是提供各種技術、流程使用心得，讓讀者可以直接跳過嘗試、摸索的階段。試想下列的這些問題，不就是實務上經常會碰到的難處！而作者將會在書中闡述他們如何看待、解決這些事情： 　　● 如何最佳化模型的閾值來獲得最高的評價分數？ 　　● 如何將資料經過編碼、降維等等轉換，以彰顯資料的特性？ 　　● 如何依據問題的型態選擇模型，且依照模型的特性來提取適當的特徵？ 　　● 如何正確進行時序資料的驗證以避免過度配適或資料外洩？ 　　● 如何調整梯度提升決

策樹、類神經網路的參數？ 　　● 如何將自己所學的各種技術，進行有效的模型集成？ 　　我們也在書中適時加上小編補充，讓讀者可以完整吸收四位專家的思想精髓，希望讀者閱讀本書之後，不僅可以在 Kaggle 競賽中締造絕佳成績，也相信讀者可以解決工作、研究中複雜且混亂的資料集。 　　讓我們一同走上資料科學的巔峰吧！ 本書特色   　　● 國立成功大學資訊工程學系特聘教授 陳培殷博士 推薦 　　● 本書由施威銘研究室監修，內容易讀易懂，並加入大量「編註」與「小編補充」以幫助理解及補充必要知識。 　　● 集結 4 位 Kaggle 高手累積共 37 面獎牌的實戰經驗 　　● 整理當前實務上各種特徵

工程的困難問題以及解決的方法 　　● 分享各種技術使用時機與實踐結果的寶貴心得 　　● 揭露 Kaggle 競賽高人一等的制勝精華 　　● 提供書中 Python 範例程式下載  

數值變數進入發燒排行的影片

可加性迴歸模型的變數選擇

為了解決數值變數的問題，作者謝嘉倫 這樣論述：

可加性迴歸模型適合處理非線性資料，在實踐的過程中需估計模型中的未知函數，本文以spline smoothing的技術估計函數並採用B-spline基底。在這樣的估計過程中容易使模型的參數量增加，造成更大的運算負擔，同時在實務研究中不僅重視數學模型配適更著重於模型的可解釋性，因此適當的變數選擇就顯得非常重要。本文旨在討論使用可加性模型時所適用的變數選擇方法，並分別討論資料中僅含數值變數和同時包含數值變數及類變數的情形。在最後兩組模擬實驗互相比較後得出結論:用於僅含有數值變數的選擇方法運算速度快且效果優良。而用於同時包含兩種變數的選擇方法運算量較大速度也較慢，但若將其簡化只用於辨識相關的類別變數

可能降低運算量並有良好的變數選擇效果。

統計學(第二版)

為了解決數值變數的問題，作者林素菁  這樣論述：

　　本書適合統計初學者使用，將基礎統計內容結構整合成八大章，以圖解方式取代冗長的理論文字，用電腦工具取代了繁雜的數學公式，直接從範例來介紹敘述統計與推論統計的基本工具，強化「解讀資料的價值」，希望這本書能改變大家對統計的刻板印象，達到數字教育的目標。 　　本書另加入多元化設計，如「邊玩邊學」的遊戲單元，及藉由當紅南韓綜藝節目Running Man的遊戲片段，從不同角度的機率問題引導邏輯思考能力，提升學習動機，進而達到學習應用的目的，盼本書能成為大家身邊應用統計的工具書。 本書特色 　　1.本書著重學生「主動思考」、「解決問題」、與「解讀數據」能力的訓練，改以以大量釋例

及圖表化方式，取代繁冗的文字理論介紹，學習沒負擔。 　　2.本書設計多樣師生互動、遊戲、自我練習等，從多元活動操作中學習，除增進學生思考邏輯能力，更能增加師生的課堂互動。 　　3.沒有艱難的理論與數學式，將煩冗的計算過程交給電腦，各類習題均已提供EXCEL計算器，學生只需學習正確的統計工具，減輕學習負擔。

異狀資料偵測模型推薦

為了解決數值變數的問題，作者江泓德 這樣論述：

本研究使用9種資料複雜度指標針對25個含有異狀資料的二元不平衡資料集個別進行複雜度的評估。另外，考量到本研究所使用的資料複雜度指標僅適用於數值變數，因此先行將含有類別變數的資料集進行CRIMCOORD轉換。同時，本研究因著重於資料的本質特性，故在不考慮重抽樣(resampling)的技術下，比較五種分類技術的表現，包含k-最鄰近演算法、單類支持向量機、隨機森林、極限梯度提升法、類神經網路，並透過典型相關分析，探討各資料複雜度指標與分類技術之關聯，進而達到推薦。本研究實例結果顯示Fisher’s最大判別比(F1)與最鄰近點之組內與組間的平均距離比率(N2)該兩項資料複雜度指標為首要影響分類技術

推薦順序之因素。本研究評估模型表現優異之準則為精確召回曲線的曲線下面積(Area Under the PR Curve, AUPRC)，而非一般常見的接收者操作特徵曲線的曲線下面積(Area Under the Curve, AUC)，以避免對於模型表現有高估之情形。本研究實例結果顯示當資料本身整體複雜度較高時，本研究建議優先使用樹狀結構的分類技術，如極限梯度提升法或隨機森林，其次則是類神經網路，較不建議使用單類支持向量機或k-最鄰近演算法。