特征工程笔记(Feature Engineering)

数据和特征决定了机器学习的上限，而模型和算法只是不断地逼近这个上限。

特征工程.png

图片来自知乎

往往拿到的数据会有以下问题：

- 量纲不统一

- 定性特征不能直接拿来使用，需要转换

- 缺失值

- 信息利用率低

无量纲化：无量纲化使不同规格的数据转换到同一规格，常见的方法有标准化和区间缩放法。标准化的前提是特征值符从正态分布，标准化后，将其转换成标准正态分布。区间缩放则利用了边界值信息，将特征的值域缩放到特定的范围(比如[0,1])。

标准化：公式如下

均值和方差

区间缩放：

标准化和归一化的区别(参考知乎答案)：

归一化方法：

• 把数变为（0，1）之间的小数主要是为了数据处理方便提出来的，把数据映射到0～1范围之内处理，更加便捷快速。
• 把有量纲表达式变为无量纲表达式 归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为纯量。
  标准化方法:
• 数据的标准化是将数据按比例缩放，使之落入一个小的特定区间。由于信用指标体系的各个指标度量单位是不同的，为了能够将指标参与评价计算，需要对指标进行规范化处理，通过函数变换将其数值映射到某个数值区间。

对定量特征二值化:

定量特征二值化的核心在于设定一个阈值，大于阈值的赋值为1，小于等于阈值的赋值为0，公式表达如下：

对定性特征压扁吗: One-hot 编码

缺失值计算: 比如通过其他特征作为输入，缺失特征作为输出。通过随机森林预测缺失特征的缺失值。

数据变换：基于多项式，基于指数函数，基于对数函数等。

特征选择

当数据预处理完成后，我们需要选择有意义的特征输入机器学习的算法和模型进行训练。通常来说，从两个方面考虑来选择特征：

• 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。除方差法外，本文介绍的其他方法均从相关性考虑。

根据特征选择的形式又可以将特征选择方法分为3种：

• Filter：过滤法，按照发散性或者相关性对各个特征进行评分，设定阈值或者待选择阈值的个数，选择特征。
• Wrapper：包装法，根据目标函数（通常是预测效果评分），每次选择若干特征，或者排除若干特征。
• Embedded：集成法，先使用某些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，根据系数从大到小选择特征。类似于Filter方法，但是是通过训练来确定特征的优劣。（比如随机森林）

降维

• PCA 主成分分析
• LDA 线性判别分析法