特征工程

常用的特征工程方法

1、特征工程是什么

有这么一句话在业界广泛流传：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。那特征工程到底是什么呢？顾名思义，其本质是一项工程活动，目的是最大限度地从原始数据中提取特征以供算法和模型使用。通过总结和归纳，目前认为特征工程包括以下方面：

特征处理是特征工程的核心部分，sklearn提供了较为完整的特征处理方法，包括数据预处理、特征选择、降维等。

2、数据预处理

通过特征提取，我们能得到未经处理的特征，这时的特征有可能有以下问题：

a,不属于同一量纲：即特征的规格不一样，不能够放在一起比较；
定性特征不能直接使用：某些机器学习算法和模型只能接受定量特征的输入，那么需要将定性特征转换为定量特征。最简单的方式是为每一种定性值指定一个定量值，但是这种方式过于灵活，增加了调参的工作。通常使用哑编码的方式将定性特征转换为定量特征：假设有N种特征，当原始特征值为第i种定性值时，第i个扩展特征为1，其他扩展特征赋值为0。哑编码的方式相比直接指定的方式，不用增加调参的工作，对于线b,性模型来说，使用哑编码的特征可达到非线性的效果；
c,存在缺失值：缺失值需要补充；
d,信息利用率低：不同的机器学习算法和模型对数据中信息的利用是不同的，之前提到在线性模型中，使用对定性特征哑编码可以达到非线性的效果。类似地，对定量变量多项式化，或者进行其他的转换，都能达到非线性的效果。
使用sklearn中是的preprocessing库来进行数据预处理，可以覆盖以上问题的解决方案。

2.1 无量纲化

无量纲化使不同规格的数据转换到同一规格。常用的无量纲化方法有标准化和区间缩放法。标准化的前提是特征值服从正态分布，标准化后，其转换成标准正态分布；区间缩放法利用了边界值信息，将特征的取值区间缩放到某个特点的范围，例如[0,1]等。
2.1.1 标准化
标准化需要计算特征的均值和标准差，公式表达为：

使用preprocessing的StandardScaler类对数据进行标准化的代码如下：

2.1.2 区间缩放法
区间缩放法的思路有多种，常见的一种为利用两个最值进行缩放，公式表达为：

使用preprocessing库的MinMaxScaler类对数据进行区间缩放的代码如下：

2.1.3 标准化与归一化的区别
简单来说，标准化是依照特征矩阵的列处理数据，其通过z-score的方法，将样本的特征值转换到同一量纲下；归一化是依照特征矩阵的行处理数据，其目的在于样本向量在点乘运算或其他核函数计算相似性时，拥有统一的标准，也就是说都转化为“单位向量”。规则为l2的归一化公式如下：

使用preprocessing库的Normalizer类对数据进行归一化的代码如下：

2.2 对定量特征二值化
定量特征的二值化的核心在于设定一个阈值，小于等于阈值的赋值为0，大于阈值的赋值为1，公式表达如下：

使用preprocessing库的Binarizer类对数据进行二值化的代码如下：

2.3 对定性特征哑编码
由于IRIS数据集的特征皆为定量特征，故使用其目标值进行哑编码（实际上是不需要的）。
使用preprocessing库的OneHotEncoder类对数据进行哑编码的代码如下：

2.4 缺失值计算
由于IRIS数据集没有缺失值，故对数据集新增一个样本，4个特征均赋值为NaN，表示数据缺失。
使用preprocessing库的Imputer类对数据进行缺失值计算的代码如下：