特征工程概略

并非原创，网上整理

特征工程简明图

如上。特征处理是特征工程的核心部分，包括数据预处理、特征选择、降维等，通过sklearn的processing库来实现。

数据预处理

不属于同一量纲：无量纲化
信息冗余：进行区间离散
定性特征不能直接利用：采用哑编码
存在缺失值：对缺失值进行补充
信息利用率低：对定量变量进行多项式化，增加新的特征，可以达到非线性的结果。
无量纲化：即使不同规格的数据转换到同一规格，常用方法：标准化和区间缩放法。
标准化：其使用前提是特征值服从正态分布，从而标准化后，转化为标准正态分布。使用preproccessing库的StandardScaler类对数据进行标准化。

区间缩放法：利用边界信息，将取值区间缩放到某个区间范围，如[0,1],

使用preproccessing库的MinMaxScaler类对数据进行区间缩放。
区间离散：详见kaggle入门。
哑编码：同上
缺失值计算：同上
数据变换：常见的数据变换有基于多项式的、基于指数函数的、基于对数函数的。

特征选择

特征是否发散：如果一个特征不发散，例如方差接近于0，也就是说样本在这个特征上基本上没有差异，这个特征对于样本的区分并没有什么用。
特征与目标的相关性：这点比较显见，与目标相关性高的特征，应当优选选择。
Filter:过滤法，按照发散性或相关性对特征进行筛选，设定阈值或者待筛选阈值的个数，选择特征。
Wrapper:包装法，根据目标函数（通常是预测结果评分），每次选择若干特征，或排除若干特征。
Embedded:嵌入法（集成法），先使用机器学习的算法和模型进行训练，得到各个特征的权值系数，然后根据系数大小进行特征的选择。类似于Filter方法，但是是通过训练来确定特征的优劣。
使用sklearn中的feature_selection库来进行特征选择。
Filter：方差选择法（特征发散性）、相关系数法、卡方检验、互信息法
方差选择法：使用方差选择法，先要计算各个特征的方差，然后根据阈值，选择方差大于阈值的特征。使用feature_selection库的VarianceThreshold类来选择特征。(移除低方差的特征，只有离散型变量才可以使用，连续型变量需要离散化后才能使用，一般此方式筛选掉的特征很少，只能用来预处理）
相关系数法：使用相关系数法，先要计算各个特征对目标值的相关系数以及相关系数的p值。用feature_selection库的SelectKBest类结合相关系数来选择特征。（只对线性数据敏感，当数据是非线性时，即使输入与输出一一对应的，p值也不会很高）
卡方检验：检验定性自变量和定性因变量之间的相关性，（只给出有无相关性，是定性分析），用feature_selection库的SelectKBest类结合卡方检验来选择特征。
互信息法：经典的互信息也是定性分析自变量和因变量的相关性，公式如下，

为了处理定量数据，最大信息系数法被提出，使用feature_selection库的SelectKBest类结合最大信息系数法来选择特征。
距离相关系数：克服了p相关系数只能解决相关性的问题，此时为0将为独立。
基于模型的特征排序：基于你想要使用的机器学习方法，逐个输入特征进行排除。

Wrapper：递归特征消除法
递归特征消除法使用一个基模型来进行多轮训练，每轮训练之后，消除若干权值系数的特征，在基于新的特征集进行下一轮的训练。使用feature_selection库的RFE类来选择特征。
Embedded:基于惩罚项的特征选择法、基于树模型的特征选择方法.
基于惩罚项的特征选择法：使用带惩罚项的基模型，除了筛选出特征外，同时也进行了降维。使用feature_selection库的SelectFromModel类结合带L1惩罚项的逻辑回归模型
基于树模型的特征选择方法：树模型中GBDT也可用来作为基模型进行特征选择，使用feature_selection库的SelectFromModel类结合GBDT模型。

降维

主成分分析法：使用decomposition库的PCA类选择特征
线性判别分析法：使用lda库的LDA类选择特征