注：现阶段的理解，不一定正确，各位看官如有不同的见解，欢迎交流，Q：358892790
特征工程个人觉得是数据分析挖掘项目中最难也是最为关键的一步，特征工程的前期基本是基于对业务的了解，有点天马行空，目前还没看到归纳的方法论或执行框架。
第二步是探索性分析，也就是判断提取的特征对最终的目标预测有意义，这个可以看探索性分析章节。
第三步是特征的进一步处理，主要用到的技术：
1、one-hot
将一个特征的值变为多个二值且互斥的特征，例如星期，取值可能会星期一~星期日，可以转换为7个特征
1 2 3 4 5 6 7
1 0 0 0 0 0 0 星期一
0 0 0 1 0 0 0 星期四
2、离散化
在值分布不均匀，即在不同区间的值针对预测目标的权重不一致时，其实对于什么时候应该离散化，目前还理解不够深入，获取结合具体项目会理解得更深一点。
2.1 离散化的优点
在工业界，很少直接将连续值作为逻辑回归模型的特征输入，而是将连续特征离散化为一系列0、1特征交给逻辑回归模型，这样做的优势有以下几点(https://www.zhihu.com/question/31989952/answer/54184582)：
0. 离散特征的增加和减少都很容易，易于模型的快速迭代；
1. 稀疏向量内积乘法运算速度快，计算结果方便存储，容易扩展；
2. 离散化后的特征对异常数据有很强的鲁棒性：比如一个特征是年龄>30是1，否则0。如果特征没有离散化，一个异常数据“年龄300岁”会给模型造成很大的干扰；
3. 逻辑回归属于广义线性模型，表达能力受限；单变量离散化为N个后，每个变量有单独的权重，相当于为模型引入了非线性，能够提升模型表达能力，加大拟合；
4. 离散化后可以进行特征交叉，由M+N个变量变为M*N个变量，进一步引入非线性，提升表达能力；
5. 特征离散化后，模型会更稳定，比如如果对用户年龄离散化，20-30作为一个区间，不会因为一个用户年龄长了一岁就变成一个完全不同的人。当然处于区间相邻处的样本会刚好相反，所以怎么划分区间是门学问；
6. 特征离散化以后，起到了简化了逻辑回归模型的作用，降低了模型过拟合的风险。
2.2 离散化的方法
一种是等距离散化方式：假如特征值的范围是0-10000，如果按1000的间隔离散化就会将0-1000,1000-2000,2000-3000，...，分布映射为离散值1,2,3，...
一种是等频离散化方式：假如有10000个样本，也就是说该特征有10000个取值，将其排序，第1到第1000个映射为一个值，1001到2000个映射为一个值...
一般情况等频离散化的方式要优于等距的，因为等频的更贴近特征的概率分布，但等距的貌似更方面人为设计。
3、二值化
将特征变换为只有1,0值的特征
4、特征交叉
由于线性模型表达能力有限，非线性需要特征组合去引入，在做这步前，往往需要先二值化和one-hot
5、归一化
6、特征的过滤与修正
5.1 过滤
特征过滤比较好理解，按上面的处理可能会演变出上万维特征，可以使用特征选择的算法，或正则项L0，L1等
5.2 修正
·基数较下情况下的概率修正（贝叶斯平滑）
例如广告的点击率，正常情况下是用点击次数/展现次数，但如果展现次数只有1次，点击了一次，按这样计算点击率为100%，显然真实的广告点击率不可能是100%，5%都达不到，如何这个点击率是比较重要的特征，如何去估计他真实的概率呢？下面介绍下流程。（参考：https://www.zhihu.com/question/30269898，http://blog.csdn.net/mytestmy/article/details/19088519）
主要是使用beta（a,b）分布来表示先验，而beta分布与二项分布（伯努利分布）是共轭分布，再知道当前点击情况下，调整beta分布，计算当前最有可能的点击率。相信看了两个参考链接大家就明白了。
7、去除共线性
实际上是否做这些处理还要看后期使用的模型，李沐曾经说过：模型是使用离散特征还是连续特征，其实是一个“海量离散特征+简单模型” 同 “少量连续特征+复杂模型”的权衡。既可以离散化用线性模型，也可以用连续特征加深度学习。就看是喜欢折腾特征还是折腾模型了。通常来说，前者容易，而且可以n个人一起并行做，有成功经验；后者目前看很赞，能走多远还须拭目以待。（链接：https://www.zhihu.com/question/31989952/answer/54184582）也就是说复杂模型自身具有高层次特征表示的功能，可以在训练过程中潜在的完成以上的过程，为什么不直接用复杂模型，一种解释是计算成本比较高，没这么多设备跑，另一方面可解释性差了点。
1900
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
