请使用控制台探索您在上一个练习中创建的 pca_output 对象，确定用于提取标准差向量并统计成分数量的代码。您的结果已加载。
pca_output
本练习是课程的一部分
通过我们的互动练习之一，将理论转化为实践
原始数据并不总是最适合直接用于分析。本章开篇，您将初步了解如何变换与创建特征，以提升模型的性能与可解释性。
在本章中，您将学习到，除了手动变换特征之外，还可以利用 tidyverse 的工具以编程方式构造新变量。您将探索这种方法如何提升模型的可复现性，尤其适用于包含大量特征的数据集。
接下来，您将学习模型常常能从降维与从高维数据中提取特征中受益，包括将文本数据转换为数值、对分类数据进行编码，以及衡量变量的预测能力。您将探索的方法包括主成分分析、核主成分分析、从文本中提取数值、分类编码，以及变量重要性评分。
当前练习
在课程收尾，您将学习特征工程与机器学习技术。您将首先关注在模型中使用全部可用特征所带来的问题，以及识别无关和冗余特征的重要性，并学习使用嵌入式方法（如 lasso 与 elastic-net）去除这些特征。随后，您将探索收缩方法，如 lasso、ridge 和 elastic-net，可用于正则化特征权重，或通过将系数设为 0 来进行特征选择。最后，您将学习如何构建端到端的特征工程工作流程，并在一个小型项目中回顾与练习前面学到的概念与函数。
