在網(wǎng)上找到了美團(tuán)一位叫付晴川同學(xué)些的ppt，里面有一幅描述用戶特征工程的圖，感覺(jué)總結(jié)得還是比較到位的。現(xiàn)在把圖片貼出來(lái)：?

這張圖將用戶特征工程里的大面基本都囊括了。因?yàn)閜pt本身做得比較簡(jiǎn)單，現(xiàn)在我們?cè)噲D針對(duì)圖里的每一項(xiàng)，結(jié)合具體的業(yè)務(wù)場(chǎng)景，做個(gè)比較詳細(xì)的分析。

1.原始數(shù)據(jù)提取

原作者畫(huà)圖的時(shí)候?qū)⒌谝豁?xiàng)命名為特征提取，我覺(jué)得作者想表達(dá)的本意應(yīng)該是從哪獲得相關(guān)數(shù)據(jù)，所以叫原始數(shù)據(jù)提取可能更為合適一些。

1.業(yè)務(wù)logs

這部分?jǐn)?shù)據(jù)肯定是實(shí)際應(yīng)用場(chǎng)景的大頭。只要是個(gè)IT公司，每家肯定都有自己的日志或者業(yè)務(wù)數(shù)據(jù)。像電商網(wǎng)站的訂單數(shù)據(jù)一般都是存在mysql/oracle/sqlserver等數(shù)據(jù)庫(kù)中，用戶瀏覽item/search等行為的數(shù)據(jù)一般都有相應(yīng)的日志進(jìn)行記錄。拿到這些數(shù)據(jù)之后就可以進(jìn)行后續(xù)的分析挖掘動(dòng)作了。

2.web公開(kāi)數(shù)據(jù)抓取

這部分?jǐn)?shù)據(jù)就是通過(guò)爬蟲(chóng)抓取的數(shù)據(jù)了，比如最常見(jiàn)的搜索引擎抓取網(wǎng)站內(nèi)容用于索引的那些搜索引擎爬蟲(chóng)。?
看到過(guò)一些有趣的數(shù)據(jù)：2013年來(lái)自Incapsula一份互聯(lián)網(wǎng)報(bào)告顯示，目前有61.5%的互聯(lián)網(wǎng)流量不是由人類產(chǎn)生的，如果你讀到了這篇文章，你就是那個(gè)少數(shù)派（人類）。換句話說(shuō)，實(shí)際上互聯(lián)網(wǎng)流量大部分都是爬蟲(chóng)產(chǎn)生的。。。
正因?yàn)楝F(xiàn)在爬蟲(chóng)已經(jīng)泛濫成災(zāi)，所以很多網(wǎng)站限制爬蟲(chóng)的爬取。所以大家使用爬蟲(chóng)的時(shí)候，也盡可能文明使用，做一只文明的爬蟲(chóng)。。。?
http://blog.csdn.net/bitcarmanlee/article/details/51824080?這是之前寫(xiě)過(guò)的一個(gè)簡(jiǎn)單的爬取糗事百科段子的爬蟲(chóng)，供大家參考。

3.第三方合作

這部分沒(méi)有太多可說(shuō)的。當(dāng)自己數(shù)據(jù)不夠的情況下，可以通過(guò)某些渠道與其他公司或者專門的數(shù)據(jù)公司合作，獲得相關(guān)數(shù)據(jù)。例如廣告系統(tǒng)中，很多公司都會(huì)使用秒針或者Admaster之類的第三方監(jiān)測(cè)機(jī)構(gòu)的數(shù)據(jù)。

2.數(shù)據(jù)清洗

拿到原始數(shù)據(jù)以后，對(duì)原始數(shù)據(jù)進(jìn)行清洗時(shí)非常重要的步驟。因?yàn)楂@得的原始數(shù)據(jù)里面有非常多的臟數(shù)據(jù)甚至錯(cuò)誤數(shù)據(jù)，如果不對(duì)這些數(shù)據(jù)進(jìn)行處理，會(huì)極大地影響最后模型的效果。所以數(shù)據(jù)清洗時(shí)非常重要的一個(gè)步驟。

1.異常值分析過(guò)濾

顧名思義，異常值分析過(guò)濾是分析檢驗(yàn)數(shù)據(jù)中是否有錯(cuò)誤數(shù)據(jù)或者不合理的數(shù)據(jù)。如果有，則將這些數(shù)據(jù)剔除。常見(jiàn)的異常值分析方法有;

1)簡(jiǎn)單統(tǒng)計(jì)量分析方法?
可以對(duì)變量做一個(gè)描述性的統(tǒng)計(jì)與分析，然后查看數(shù)據(jù)是否合理。例如比較常用的統(tǒng)計(jì)量包括最大值與最小值，如果變量超過(guò)了最大值最小值的范圍，那這個(gè)值就為異常值。例如年齡屬性，如果某人填寫(xiě)為200或者-1，這顯然都是屬于異常值的范疇。

2)3原則
如果數(shù)據(jù)的分布服從高斯分布(正態(tài)分布)，3原則是指，測(cè)量值如果與平均值的偏差超過(guò)，即為異常值。理論依據(jù)如下：
當(dāng)，，，。那么如果隨機(jī)變量服從正態(tài)分布，從到的區(qū)間內(nèi)，概率密度曲線下的面積占總面積的99.7%。換句話說(shuō)，隨機(jī)變量落在到的區(qū)間外的概率只有0.3%。這就是3原則。

原理很簡(jiǎn)單，但是非常實(shí)際，三個(gè)標(biāo)準(zhǔn)差以外的數(shù)據(jù)就可以認(rèn)為是異常值了。另外，同學(xué)們請(qǐng)對(duì)一下三個(gè)數(shù)字敏感：0.683,0.954,0.997。?
這部分內(nèi)容最后給一張高斯分布的曲線圖:?

2.數(shù)據(jù)類型檢查

這一個(gè)步驟能避免后續(xù)出現(xiàn)的很多問(wèn)題。例如年齡這個(gè)屬性，應(yīng)該全是數(shù)值類型。但是很多時(shí)候這個(gè)字段出現(xiàn)了字符串類型的值，很明顯這就是異常值，需要進(jìn)行相應(yīng)的處理。比如根據(jù)身份證號(hào)來(lái)進(jìn)行計(jì)算，或者給個(gè)特殊的值-99來(lái)標(biāo)識(shí)等等。

3.清洗換行符制表符空格等特殊字符

如果原始數(shù)據(jù)某些字段中存在換行符空格制表符等特殊字符，絕大部分情況下會(huì)影響后面進(jìn)一步的分析。所以在數(shù)據(jù)清洗階段，根據(jù)業(yè)務(wù)需求處理掉這些特殊字符是很有必要的。例如在大部分場(chǎng)景中，清洗掉字符串中的換行符，都是很必要的。

3.數(shù)據(jù)預(yù)處理

在原圖中，作者將這一步命名為值處理，表達(dá)的意思應(yīng)該是一致的。這一步的處理過(guò)程非常重要，涉及到的點(diǎn)也比較多，為大家選擇一些常見(jiàn)的一一道來(lái)。

1.數(shù)據(jù)平滑

因?yàn)楝F(xiàn)在機(jī)器學(xué)習(xí)的主流是統(tǒng)計(jì)機(jī)器學(xué)習(xí)，既然是統(tǒng)計(jì)，自然就離不開(kāi)概率的計(jì)算。例如在對(duì)文本進(jìn)行分類時(shí)，語(yǔ)料庫(kù)畢竟是有限的。假設(shè),,沒(méi)在語(yǔ)料庫(kù)中出現(xiàn)過(guò)，那根據(jù)最大似然估計(jì)MLE，這些詞出現(xiàn)的概率為0。但是實(shí)際上這些詞出現(xiàn)的概率肯定是不為0的。像最大似然估計(jì)里涉及到很多概率的連乘計(jì)算，如果一個(gè)概率為0，就會(huì)導(dǎo)致整體計(jì)算結(jié)果為0。這時(shí)候，就需要我們對(duì)數(shù)據(jù)進(jìn)行平滑了。
平滑的算法有很多。最簡(jiǎn)單的平滑方式屬于加1平滑了，就是給每種情況出現(xiàn)的次數(shù)都加上1，這樣就避免了概率為0的情況。這種方式簡(jiǎn)單粗暴，實(shí)際使用的效果一般也不會(huì)特別理想。當(dāng)然還有Good-turning平滑，線性插值平滑（Linear Interpolation Smoothing）等其他算法，根據(jù)具體的業(yè)務(wù)場(chǎng)景進(jìn)行選擇。

2.歸一化

歸一化也是常見(jiàn)的數(shù)據(jù)預(yù)處理操作。歸一化的具體細(xì)節(jié)請(qǐng)參考http://blog.csdn.net/bitcarmanlee/article/details/51353016一文。

3.離散化

離散化是把連續(xù)型的數(shù)據(jù)分為若干段，是數(shù)據(jù)分析與數(shù)據(jù)挖掘中經(jīng)常采用的一種方法。對(duì)數(shù)據(jù)進(jìn)行離散化，最大的好處就是有些算法只接受離散型變量。例如決策樹(shù)，樸素貝葉斯等算法，不能以連續(xù)型變量為輸入。如果輸入時(shí)連續(xù)型數(shù)據(jù)，必須要先經(jīng)過(guò)離散化處理。
常見(jiàn)的離散化方式有等距與等頻離散化，都比較容易理解。等距就是將連續(xù)型隨機(jī)變量的取值范圍均勻劃為n等份，每份的間距相等。例如年齡本來(lái)是個(gè)連續(xù)值，用等距離散化以后，1-10，10-20，20-30，30-40等各劃為一組。而等頻則是把觀察點(diǎn)均分為n等份，每份里面包含的樣本相同。例如有1萬(wàn)個(gè)樣本，將樣本按采樣時(shí)間順序排列，然后按一千個(gè)樣本為一組，將全部的樣本分為十等份。
當(dāng)然離散化，包括前面的歸一化，都是會(huì)有負(fù)面效果的，這個(gè)負(fù)面效果就是會(huì)帶來(lái)信息的損失。比如本來(lái)我們本來(lái)有詳盡的年齡數(shù)據(jù)，在決策樹(shù)算法或者貝葉斯算法中為了算法的需要，不得已將年齡變?yōu)閮和嗌倌陦涯昀夏赀@樣的離散變量，信息肯定就不如具體的年齡大小那么準(zhǔn)確與詳盡。所以在使用歸一化，離散化等數(shù)據(jù)處理分析手段時(shí)，要結(jié)合具體的實(shí)際情況，謹(jǐn)慎使用。
http://blog.csdn.net/bitcarmanlee/article/details/51472816一文中專門講解了one-hot編碼，就是數(shù)據(jù)離散化的一種具體形式。

4.dummy coding

這部分實(shí)際中我沒(méi)怎么使用過(guò)，后續(xù)找相關(guān)資料再進(jìn)行補(bǔ)充。

5.缺失值填充

數(shù)據(jù)中某些字段缺失是數(shù)據(jù)分析挖掘中非常頭疼的一個(gè)問(wèn)題。現(xiàn)實(shí)世界中的數(shù)據(jù)往往非常雜亂非常臟，原始數(shù)據(jù)中某個(gè)字段或者某些字段缺失是非常常見(jiàn)的現(xiàn)象。但是盡管數(shù)據(jù)有缺失，生活還要繼續(xù)，工作還得繼續(xù)。面對(duì)這種情況，該怎樣繼續(xù)呢？

方法一：丟棄?
最簡(jiǎn)單的方式，如果發(fā)現(xiàn)數(shù)據(jù)有缺失，直接刪除這個(gè)字段或者將整個(gè)樣本丟棄。如果大部分樣本的某個(gè)字段都缺失，那么很明顯這個(gè)字段就是不可用狀態(tài)。如果某條樣本的大部分字段都缺失，那么很明顯這個(gè)樣本就是不可用狀態(tài)。這種處理方式簡(jiǎn)單粗暴，效率高，但是很明顯適用范圍有限，只適合數(shù)據(jù)缺失較少的情況。如果某個(gè)特征特別重要，數(shù)據(jù)缺失情況還特別嚴(yán)重，那么美別的辦法，老老實(shí)實(shí)重新采集數(shù)據(jù)吧。

方法二：統(tǒng)計(jì)值填充?
如果某個(gè)屬性缺失，特別是數(shù)值類型的屬性，可以根據(jù)所有樣本關(guān)于這維屬性的統(tǒng)計(jì)值填充，常見(jiàn)的有平均值、中值、分位數(shù)、眾數(shù)、隨機(jī)值等。這種方式難度也不大，效果一般。最大的副作用就是人為帶來(lái)了不少噪聲。

方法三：預(yù)測(cè)填充?
用其他變量做預(yù)測(cè)模型來(lái)預(yù)測(cè)缺失值，效果一般比統(tǒng)計(jì)值填充要好一些。但是此方法有一個(gè)根本缺陷，如果其他變量和缺失變量無(wú)關(guān)，則預(yù)測(cè)的結(jié)果無(wú)意義。如果預(yù)測(cè)結(jié)果相當(dāng)準(zhǔn)確，則又說(shuō)明這個(gè)變量是沒(méi)必要加入建模的。一般情況下，介于兩者之間。

方法四：將變量映射到高維空間?
比如性別，有男、女、缺失三種情況，則映射成3個(gè)變量：是否男、是否女、是否缺失。連續(xù)型變量也可以這樣處理。比如Google、百度的CTR預(yù)估模型，預(yù)處理時(shí)會(huì)把所有變量都這樣處理，達(dá)到幾億維。這樣做的好處是完整保留了原始數(shù)據(jù)的全部信息、不用考慮缺失值、不用考慮線性不可分之類的問(wèn)題。缺點(diǎn)是計(jì)算量大大提升。而且只有在樣本量非常大的時(shí)候效果才好，否則會(huì)因?yàn)檫^(guò)于稀疏，效果很差。(本小結(jié)內(nèi)容來(lái)自知乎)

6.分詞 tf/idf

嚴(yán)格意義上說(shuō)，分詞屬于NLP的范疇。既然原圖中提到了分詞tf/idf，我們就簡(jiǎn)單介紹一下。?
TF-IDF全稱為term frequency–inverse document frequency。TF就是term frequency的縮寫(xiě)，意為詞頻。IDF則是inverse document frequency的縮寫(xiě)，意為逆文檔頻率。tf-idf通常用來(lái)提取關(guān)鍵詞。比如，對(duì)一個(gè)文章提取關(guān)鍵詞作為搜索詞，就可以采用TF-IDF算法。
要找出一篇文章中的關(guān)鍵詞，通常的思路就是，就是找到出現(xiàn)次數(shù)最多的詞。如果某個(gè)詞很重要，它應(yīng)該在這篇文章中多次出現(xiàn)。于是，我們進(jìn)行詞頻TF統(tǒng)計(jì)。但是，在中文文獻(xiàn)里，的地得了等類似的詞匯出現(xiàn)的頻率一定是最高的，而且這類詞沒(méi)什么實(shí)際的含義，我們就叫他停用詞，一般遇到停用詞就將他扔掉。
扔掉停用詞以后，我們也不能簡(jiǎn)單地認(rèn)為出現(xiàn)頻率最高的詞就是我們所需要的關(guān)鍵字。如果一個(gè)詞很少見(jiàn)，但是它在某個(gè)文章中反復(fù)出現(xiàn)多次，那么可以認(rèn)為這個(gè)詞反應(yīng)了這個(gè)文章的特性，可以把它作為關(guān)鍵詞。在信息檢索中，這個(gè)權(quán)重非常重要，它決定了關(guān)鍵詞的重要度，這個(gè)權(quán)重叫做逆文檔頻率，它的大小與一個(gè)詞的常見(jiàn)程度成反比。
在知道了詞頻和權(quán)重之后，兩者相乘，就得到一個(gè)詞的TF-IDF值，某個(gè)詞對(duì)文章的重要性越高，它的TF-IDF值就越大。所以，排在最前面的幾個(gè)詞，就是這篇文章的關(guān)鍵詞。
分詞有許多開(kāi)源的工具包可以使用，例如中文分詞可以使用結(jié)巴分詞。

4.特征選擇

終于到我們最關(guān)鍵的特征選擇部分了。記得我看到過(guò)這么一個(gè)觀點(diǎn)：不論什么算法與模型，效果的上限都是由特征來(lái)決定的，而不同的算法與模型只是不斷地去逼近這個(gè)上限而已。我自己對(duì)這個(gè)觀點(diǎn)也深以為然。特征選擇的重要性由此就可見(jiàn)一斑。

特征選擇算法可以被視為搜索技術(shù)和評(píng)價(jià)指標(biāo)的結(jié)合。前者提供候選的新特征子集，后者為不同的特征子集打分。 最簡(jiǎn)單的算法是測(cè)試每個(gè)特征子集，找到究竟哪個(gè)子集的錯(cuò)誤率最低。這種算法需要窮舉搜索空間，難以算完所有的特征集，只能涵蓋很少一部分特征子集。 選擇何種評(píng)價(jià)指標(biāo)很大程度上影響了算法。而且，通過(guò)選擇不同的評(píng)價(jià)指標(biāo)，可以吧特征選擇算法分為三類：包裝類(wrapper)、過(guò)濾類(filter)和嵌入類(embedded)方法。(本段描述來(lái)自wiki百科)

1.embedded 嵌入類方法

嵌入類算法在模型建立的時(shí)候，會(huì)考慮哪些特征對(duì)于模型的貢獻(xiàn)最大。最典型的即決策樹(shù)系列算法，如ID3算法、C4.5算法以及CART等。決策樹(shù)算法在樹(shù)生成過(guò)程中，每次回選擇一個(gè)特征。這個(gè)特征會(huì)將原樣本集劃分成較小的子集，而選擇特征的依據(jù)是劃分后子節(jié)點(diǎn)的純度，劃分后子節(jié)點(diǎn)越純，則說(shuō)明劃分效果越好。由此可見(jiàn)決策樹(shù)生成的過(guò)程也就是特征選擇的過(guò)程。
另外一個(gè)標(biāo)準(zhǔn)的嵌入類方法是正則的方式，例如我們反復(fù)提到L1正則的方式可以用來(lái)做特征選擇。L1正則中，最后系數(shù)為0的特征說(shuō)明對(duì)模型貢獻(xiàn)很小，我們保留系數(shù)不為0的特征即可，這樣就達(dá)到了特征選擇的目的。關(guān)于正則的詳細(xì)內(nèi)容可以參考：
http://blog.csdn.net/bitcarmanlee/article/details/51932055。

2.wrapper 包裝類方法

封裝式特征選擇是利用學(xué)習(xí)算法的性能來(lái)評(píng)價(jià)特征子集的優(yōu)劣。因此，對(duì)于一個(gè)待評(píng)價(jià)的特征子集，Wrapper方法需要訓(xùn)練一個(gè)分類器，根據(jù)分類器的性能對(duì)該特征子集進(jìn)行評(píng)價(jià)。Wrapper方法中用以評(píng)價(jià)特征的學(xué)習(xí)算法是多種多樣的，例如決策樹(shù)、神經(jīng)網(wǎng)絡(luò)、貝葉斯分類器、近鄰法以及支持向量機(jī)等等。
相對(duì)于Filter方法，Wrapper方法找到的特征子集分類性能通常更好。但是因?yàn)閃rapper方法選出的特征通用性不強(qiáng)，當(dāng)改變學(xué)習(xí)算法時(shí)，需要針對(duì)該學(xué)習(xí)算法重新進(jìn)行特征選擇；由于每次對(duì)子集的評(píng)價(jià)都要進(jìn)行分類器的訓(xùn)練和測(cè)試，所以算法計(jì)算復(fù)雜度很高，尤其對(duì)于大規(guī)模數(shù)據(jù)集來(lái)說(shuō)，算法的執(zhí)行時(shí)間很長(zhǎng)。(比部分內(nèi)容來(lái)自jason的blog)

3.filter 過(guò)濾類方法

過(guò)濾類方法是實(shí)際中使用最廣泛最頻繁的特征選擇方法。過(guò)濾特征選擇方法運(yùn)用統(tǒng)計(jì)方法將一個(gè)統(tǒng)計(jì)值分配給每個(gè)特征，這些特征按照分?jǐn)?shù)排序，然后決定是被保留還是從數(shù)據(jù)集中刪除。
常見(jiàn)的統(tǒng)計(jì)量包括信息增益，信息熵類。詳情可參考http://blog.csdn.net/bitcarmanlee/article/details/51488204。
卡方也是常見(jiàn)的用于做特征選擇的方式。?
另外fisher scores也是filter過(guò)濾類中常見(jiàn)的指標(biāo)。

5.特征組合

嚴(yán)格意義上來(lái)說(shuō)，特征組合也屬于特征選擇的一部分。取工業(yè)界最常見(jiàn)的LR模型為例，LR模型本質(zhì)上是廣義線性模型(對(duì)數(shù)線性模型)，實(shí)現(xiàn)簡(jiǎn)單而且容易并行，計(jì)算速度也比較快，同時(shí)使用的特征比較好解釋，預(yù)測(cè)輸出的概率在0與1之間也非常方便易用。但是，與一般模型的容易o(hù)verfitting不一樣，LR模型卻是一個(gè)underfitting模型，因?yàn)長(zhǎng)R模型本身不夠復(fù)雜，甚至可以說(shuō)相當(dāng)簡(jiǎn)單。而現(xiàn)實(shí)中很多問(wèn)題不僅僅是線性關(guān)系，更多是復(fù)雜的非線性關(guān)系。這個(gè)時(shí)候，我們就希望通過(guò)特征組合的方式，來(lái)描述這種更為復(fù)雜的非線性關(guān)系。

目前常見(jiàn)的用于特征組合的方法：

1.GBDT

2014年facebook發(fā)表了一篇paper，講的就是GBDT+LR用于特征組合，發(fā)表以后引起比較大的反響。文章名為Practical Lessons from Predicting Clicks on Ads at Facebook，有興趣的同學(xué)們可以google一把。

2.FM

FM算法也是用于對(duì)特征進(jìn)行組合的一種方式。FM算法的具體細(xì)節(jié)，可以參考http://blog.csdn.net/bitcarmanlee/article/details/52143909。

6.數(shù)據(jù)降維

降維，又被稱為維度規(guī)約。現(xiàn)實(shí)世界中得到的數(shù)據(jù)一般都有冗余，要么有一些是無(wú)用信息，要么有一些是重復(fù)的信息，我們針對(duì)這部分冗余數(shù)據(jù)進(jìn)行一些處理之后，可以明顯減少數(shù)據(jù)的大小與維度的多少。給大家舉個(gè)很簡(jiǎn)單的實(shí)際場(chǎng)景，用iphone拍出來(lái)的原始照片一般大小都為2-3M。但是我們通過(guò)qq或者微信等工具傳輸這些照片的時(shí)候，發(fā)現(xiàn)傳輸成功以后這些照片的大小就變成只有幾十KB了，這就是因?yàn)樵趥鬏斦掌倪^(guò)程中，事先會(huì)對(duì)照片進(jìn)行壓縮，壓縮完畢以后再進(jìn)行傳送以節(jié)省寶貴的帶寬資源。而這個(gè)數(shù)據(jù)壓縮的過(guò)程，其實(shí)就等同于降維的過(guò)程。

很明顯數(shù)據(jù)經(jīng)過(guò)降維處理以后，會(huì)大大節(jié)約數(shù)據(jù)存儲(chǔ)空間。同時(shí)，也會(huì)大大較少數(shù)據(jù)的后續(xù)處理計(jì)算時(shí)間。因此，數(shù)據(jù)降維技術(shù)或者說(shuō)數(shù)據(jù)壓縮技術(shù)，在實(shí)際中有非常廣泛的應(yīng)用。

一般來(lái)說(shuō)，數(shù)據(jù)降維可以從兩個(gè)方面來(lái)實(shí)施。比較簡(jiǎn)單的一種方式是提取特征子集，然后用這部分子集來(lái)表示原有數(shù)據(jù)。例如圖像處理里面，如果一幅128*128的圖片，只有中心32*32的部分有非0值，那么就只取中心32*32的部分。另外一種是通過(guò)線性/非線性的方式將原來(lái)高維空間變換到一個(gè)新的空間，這個(gè)新的空間維度比原來(lái)的高維空間要小，這樣就達(dá)到了降維的目的。一般大家討論的所謂降維技術(shù)，都是后面一種。

1.主成分分析 Principal Component Analysis(PCA)

PCA是最常用的線性降維方法。PCA的理論認(rèn)為，特征的主方向，是特征幅度變化最大的方向，既改維度上數(shù)據(jù)的方差最大。這樣經(jīng)過(guò)PCA以后，就可以使用較小的數(shù)據(jù)維度，保留住較多的原數(shù)據(jù)點(diǎn)的特性，從而達(dá)到降維的目的。
PCA的具體過(guò)程，以后會(huì)寫(xiě)相關(guān)的文章專門介紹。

2.奇異值分解 Singular Value Decomposition(SVD)

SVD也是實(shí)際中使用非常廣泛的一種方法。關(guān)于SVD的詳細(xì)介紹，請(qǐng)參考http://blog.csdn.net/bitcarmanlee/article/details/52068118。

3.線性判別分析 Linear Discriminant Analysis(LDA)

以上內(nèi)容，基本就涵蓋了用戶特征工程的各個(gè)大的方面。當(dāng)然某個(gè)實(shí)際項(xiàng)目中，不可能上面的所有方法都用到。還是得結(jié)合數(shù)據(jù)的具體情況與業(yè)務(wù)需求，選擇最適合自己的方法！

原文鏈接：http://blog.csdn.net/bitcarmanlee/article/details/52244237

總結(jié)

以上是生活随笔為你收集整理的用户特征工程详细解读的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)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。