應(yīng)用機(jī)器學(xué)習(xí)像是把你當(dāng)一個(gè)偉大的工程師，而非偉大的機(jī)器學(xué)習(xí)專家。 ---google

????當(dāng)在做數(shù)據(jù)挖掘和數(shù)據(jù)分析時(shí)，數(shù)據(jù)是所有問題的基礎(chǔ)，并且會影響整個(gè)工程的流程。相比一些復(fù)雜的算法，如何靈活的處理好數(shù)據(jù)經(jīng)常會取到意想不到的效益。而處理數(shù)據(jù)不可或缺的需要使用到特征工程。

一、什么是特征工程

????簡單的說，特征工程是能夠?qū)?shù)據(jù)像藝術(shù)一樣展現(xiàn)的技術(shù)。為什么這么說呢？因?yàn)楹玫奶卣鞴こ毯芎玫幕旌狭藢I(yè)領(lǐng)域知識、直覺和基本的數(shù)學(xué)能力。但是最有效的數(shù)據(jù)呈現(xiàn)其實(shí)并不涉及任何的數(shù)據(jù)運(yùn)算。

????本質(zhì)上來說，呈現(xiàn)給算法的數(shù)據(jù)應(yīng)該能擁有基本數(shù)據(jù)的相關(guān)結(jié)構(gòu)或?qū)傩浴．?dāng)你做特征工程時(shí)，其實(shí)是將數(shù)據(jù)屬性轉(zhuǎn)換為數(shù)據(jù)特征的過程，屬性代表了數(shù)據(jù)的所有維度，在數(shù)據(jù)建模時(shí)，如果對原始數(shù)據(jù)的所有屬性進(jìn)行學(xué)習(xí)，并不能很好的找到數(shù)據(jù)的潛在趨勢，而通過特征工程對你的數(shù)據(jù)進(jìn)行預(yù)處理的話，你的算法模型能夠減少受到噪聲的干擾，這樣能夠更好的找出趨勢。事實(shí)上，好的特征甚至能夠幫你實(shí)現(xiàn)使用簡單的模型達(dá)到很好的效果。

????但是對于特征工程中引用的新特征，需要驗(yàn)證它確實(shí)提高的預(yù)測的準(zhǔn)確度，而不是加入了一個(gè)無用的特征，不然只會增加算法運(yùn)算的復(fù)雜度。

????本文只提供一些簡單的特征工程技巧，希望能夠在你以后的分析中提供幫忙。

二、常用方法

1. 表示時(shí)間戳

????時(shí)間戳屬性通常需要分離成多個(gè)維度比如年、月、日、小時(shí)、分鐘、秒鐘。但是在很多的應(yīng)用中，大量的信息是不需要的。比如在一個(gè)監(jiān)督系統(tǒng)中，嘗試?yán)靡粋€(gè)’位置+時(shí)間‘的函數(shù)預(yù)測一個(gè)城市的交通故障程度，這個(gè)實(shí)例中，大部分會受到誤導(dǎo)只通過不同的秒數(shù)去學(xué)習(xí)趨勢，其實(shí)是不合理的。并且維度'年'也不能很好的給模型增加值的變化，我們可能僅僅需要小時(shí)、日、月等維度。因此當(dāng)我們在呈現(xiàn)時(shí)間的時(shí)候，試著保證你所提供的所有數(shù)據(jù)是你的模型所需要的。

????并且別忘了時(shí)區(qū)，假如你的數(shù)據(jù)源來自不同的地理數(shù)據(jù)源，別忘了利用時(shí)區(qū)將數(shù)據(jù)標(biāo)準(zhǔn)化。

2. 分解類別屬性

????一些屬性是類別型而不是數(shù)值型，舉一個(gè)簡單的例子，由{紅，綠、藍(lán)}組成的顏色屬性，最常用的方式是把每個(gè)類別屬性轉(zhuǎn)換成二元屬性，即從{0,1}取一個(gè)值。因此基本上增加的屬性等于相應(yīng)數(shù)目的類別，并且對于你數(shù)據(jù)集中的每個(gè)實(shí)例，只有一個(gè)是1（其他的為0），這也就是獨(dú)熱（one-hot)編碼方式（類似于轉(zhuǎn)換成啞變量）。

????如果你不了解這個(gè)編碼的話，你可能會覺得分解會增加沒必要的麻煩（因?yàn)榫幋a大量的增加了數(shù)據(jù)集的維度）。相反，你可能會嘗試將類別屬性轉(zhuǎn)換成一個(gè)標(biāo)量值，例如顏色屬性可能會用{1,2,3}表示{紅，綠，藍(lán)}。這里存在兩個(gè)問題，首先，對于一個(gè)數(shù)學(xué)模型，這意味著某種意義上紅色和綠色比和藍(lán)色更“相似”（因?yàn)閨1-3| > |1-2|）。除非你的類別擁有排序的屬性（比如鐵路線上的站），這樣可能會誤導(dǎo)你的模型。然后，可能會導(dǎo)致統(tǒng)計(jì)指標(biāo)（比如均值）無意義，更糟糕的情況是，會誤導(dǎo)你的模型。還是顏色的例子，假如你的數(shù)據(jù)集包含相同數(shù)量的紅色和藍(lán)色的實(shí)例，但是沒有綠色的，那么顏色的均值可能還是得到2，也就是綠色的意思。

????能夠?qū)㈩悇e屬性轉(zhuǎn)換成一個(gè)標(biāo)量，最有效的場景應(yīng)該就是只有兩個(gè)類別的情況。即{0,1}對應(yīng){類別1，類別2}。這種情況下，并不需要排序，并且你可以將屬性的值理解成屬于類別1或類別2的概率。

3.分箱/分區(qū)

????有時(shí)候，將數(shù)值型屬性轉(zhuǎn)換成類別呈現(xiàn)更有意義，同時(shí)能使算法減少噪聲的干擾，通過將一定范圍內(nèi)的數(shù)值劃分成確定的塊。舉個(gè)例子，我們預(yù)測一個(gè)人是否擁有某款衣服，這里年齡是一個(gè)確切的因子。其實(shí)年齡組是更為相關(guān)的因子，所有我們可以將年齡分布劃分成1-10,11-18,19-25,26-40等。而且，不是將這些類別分解成2個(gè)點(diǎn)，你可以使用標(biāo)量值，因?yàn)橄嘟哪挲g組表現(xiàn)出相似的屬性。

????只有在了解屬性的領(lǐng)域知識的基礎(chǔ)，確定屬性能夠劃分成簡潔的范圍時(shí)分區(qū)才有意義。即所有的數(shù)值落入一個(gè)分區(qū)時(shí)能夠呈現(xiàn)出共同的特征。在實(shí)際應(yīng)用中，當(dāng)你不想讓你的模型總是嘗試區(qū)分值之間是否太近時(shí)，分區(qū)能夠避免出現(xiàn)過擬合。例如，如果你所感興趣的是將一個(gè)城市作為整體，這時(shí)你可以將所有落入該城市的維度值進(jìn)行整合成一個(gè)整體。分箱也能減小小錯(cuò)誤的影響，通過將一個(gè)給定值劃入到最近的塊中。如果劃分范圍的數(shù)量和所有可能值相近，或?qū)δ銇碚f準(zhǔn)確率很重要的話，此時(shí)分箱就不適合了。

4. 特征交叉

??? 特征交叉算是特征工程中非常重要的方法之一了，特征交叉是一種很獨(dú)特的方式，它將兩個(gè)或更多的類別屬性組合成一個(gè)。當(dāng)組合的特征要比單個(gè)特征更好時(shí)，這是一項(xiàng)非常有用的技術(shù)。數(shù)學(xué)上來說，是對類別特征的所有可能值進(jìn)行交叉相乘。

????假如擁有一個(gè)特征A,A有兩個(gè)可能值{A1，A2}。擁有一個(gè)特征B，存在{B1，B2}等可能值。然后，A&B之間的交叉特征如下：{（A1，B1），（A1，B2），（A2，B1），（A2，B2）}，并且你可以給這些組合特征取任何名字。但是需要明白每個(gè)組合特征其實(shí)代表著A和B各自信息協(xié)同作用。

? ? ? ?舉個(gè)栗子，如下圖中：

? ? ?所有的藍(lán)色點(diǎn)屬于一類，紅色屬于另外一類。我們不考慮實(shí)際模型，首先，將X,Y值分成{x<0,x>=0}&{y<0,y>=0}對我們來說會很有用，將劃分結(jié)果取名為{Xn,Xp}和{Yn,Yp}。很顯然I&III象限對應(yīng)于紅色類別，II&IV象限是藍(lán)色類。因此如果現(xiàn)在將特征X和特征Y組成成交叉特征，你會有四個(gè)象限特征，{I,II,III,IV}分別對應(yīng)于{(Xp, Yp), (Xn, Yp), (Xn, Yn), (Xp, Yn)}?。

? ? ?一個(gè)更好地詮釋好的交叉特征的實(shí)例是類似于（經(jīng)度，緯度）。一個(gè)相同的經(jīng)度對應(yīng)了地圖上很多的地方，緯度也是一樣。但是一旦你將經(jīng)度和緯度組合到一起，它們就代表了地理上特定的一塊區(qū)域，區(qū)域中每一部分是擁有著類似的特性。

? ? ?有時(shí)候，能夠通過簡單的數(shù)學(xué)技巧將數(shù)據(jù)的屬性組合成一個(gè)單一的特征。在上一個(gè)例子中，將更改的特征設(shè)定為和，并且有如下關(guān)系:

? ? ? ? ? ??
將新的特征定義為，有：

? ? ? ? ? ??
我們可以根據(jù)確定特征如果，則類別是紅色，如果是為其他值，則是藍(lán)色；

5. 特征選擇

? ? ?為了得到更好的模型，使用某些算法自動的選出原始特征的子集。這個(gè)過程，你不會構(gòu)建或修改你擁有的特征，但是會通過修剪特征來達(dá)到減少噪聲和冗余。?

那些和我們解決的問題無關(guān)需要被移除的屬性，在我們的數(shù)據(jù)特征中存在了一些特征對于提高模型的準(zhǔn)確率比其他更重要的特征，也還有一些特征與其他特征放在一起出現(xiàn)了冗余，特征選擇是通過自動選出對于解決問題最有用的特征子集來解決上述問題的。

????特征選擇算法可能會用到評分方法來排名和選擇特征，比如相關(guān)性或其他確定特征重要性的方法，更進(jìn)一步的方法可能需要通過試錯(cuò)，來搜索出特征子集。

????還有通過構(gòu)建輔助模型的方法，逐步回歸就是模型構(gòu)造過程中自動執(zhí)行特征選擇算法的一個(gè)實(shí)例，還有像Lasso回歸和嶺回歸等正則化方法也被歸入到特征選擇，通過加入額外的約束或者懲罰項(xiàng)加到已有模型（損失函數(shù)）上，以防止過擬合并提高泛化能力。

6. 特征縮放

????有時(shí)候，你可能會注意到某些特征比其他特征擁有高得多的跨度值。舉個(gè)例子，將一個(gè)人的收入和他的年齡進(jìn)行比較，更具體的例子，如某些模型（像嶺回歸）要求你必須將特征值縮放到相同的范圍值內(nèi)。通過縮放可以避免某些特征比其他特征獲得大小非常懸殊的權(quán)重值。

7. 特征提取

????特征提取涉及到從原始屬性中自動生成一些新的特征集的一系列算法，降維算法就屬于這一類。特征提取是一個(gè)自動將觀測值降維到一個(gè)足夠建模的小數(shù)據(jù)集的過程。對于列表數(shù)據(jù)，可使用的方法包括一些投影方法，像主成分分析和無監(jiān)督聚類算法。對于圖形數(shù)據(jù)，可能包括一些直線檢測和邊緣檢測，對于不同領(lǐng)域有各自的方法。

????特征提取的關(guān)鍵點(diǎn)在于這些方法是自動的（雖然可能需要從簡單方法中設(shè)計(jì)和構(gòu)建得到），還能夠解決不受控制的高維數(shù)據(jù)的問題。大部分的情況下，是將這些不同類型數(shù)據(jù)（如圖，語言，視頻等）存成數(shù)字格式來進(jìn)行模擬觀察。

?

---

免責(zé)聲明：本文系網(wǎng)絡(luò)轉(zhuǎn)載。版權(quán)歸原作者所有。如涉及版權(quán)，請聯(lián)系刪除！

原文鏈接：https://codesachin.wordpress.com/2016/06/25/non-mathematical-feature-engineering-techniques-for-data-science/

總結(jié)

以上是生活随笔為你收集整理的七种常用特征工程技术的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。