机器学习不得不知的的特征工程

Feature engineering 

本文开始之前，着重强调“特征工程的重要性：数据决定算法的上限”。

（图片与本文无关，好看点个赞？）

何为特征工程

1. 特征使用方案

   1）要实现我们的目标需要哪些数据

   2）可行性评估：获取难度，覆盖率，准确率

2. 特征获取方案

   1）如何获取这些特征？

   2）如何存储，什么样的形式存储

3. 特征清洗

   1）特征清洗，异常样本的清晰

   2）采样数据均衡问题

4. 特征预处理

   1）对于单个特征：归一化，标准化，离散化，dummy coding,缺失值填充，数据变换（log,指数）

   2）对于多个特征：

   降维（PCA，LDA）

   特征选择：Filter(相关系数，卡方检验，互信息)、wrapper创建新的特征

不同类型数据的特征处理

数值型：

• 进行归一化的操作；连续值离散化（分区间）

类别型：

• 编码，dummy coding或者叫 one hot 。0 0 1 ，1 0 0，0 1 0  。

时间类：

• 间隔型，为一个区间的哪个阶段，如“早，中，晚”。“放假前”，“放假后”。

文本型：

• 词频，词向量。

统计型：

• 和业务场景很接近，描述数据所处的位置。

异常数据常用处理方法

缺失值：

• 当缺失值很多，这个特征可以不要，当缺失值相对多，可以把是否缺失做一个特征，当缺失值比较少可以选择众数或者平均值。还可以通过机器学习的方法来填充缺失值，比如根据相似性进行填充K邻近。

  
  

特征数值分布长尾：

• 离散化数据，分区间处理。

  
  

有偏度的特征：

• 使用log，倒数，使数据尽可能的呈现正太分布。

  
  

异常点：

• 判断异常点是采集的错误，还是不具有普适性数据。

数据缩放的手段

标准化：

 用原始数据减去均值，再处以标准差。

归一化：

原始数据减去最小值，除以最大值与最小值的差。

"用同一把尺子量数据"。

-end-