数据挖掘：特征工程——特征处理与特征生成

数据挖掘：特征工程——特征处理与特征构建

这里贴一张网上特征工程的流程，供大家学习。

一、什么是特征工程

特征工程：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。。就是获取更好的训练数据。主要有两个方面：

1. 获取更好的数据
2. 使机器学习算法达到最优

二、特征工程处理的意义

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。

1. 特征越好，灵活性越强
   只要特征选得好，即使是一般的模型（或算法）也能获得很好的性能，因为大多数模型（或算法）在好的数据特征下表现的性能都还不错。好特征的灵活性在于它允许你选择不复杂的模型，同时运行速度也更快，也更容易理解和维护。
2. 特征越好，构建的模型越简单
   有了好的特征，即便你的参数不是最优的，你的模型性能也依然会表现的很nice，所以你就不需要花太多的时间去寻找最有参数，这大大的降低了模型的复杂度，使模型趋于简单。
3. 特征越好，模型的性能越出色
   显然，这一点是毫无争议的，我们进行特征工程的最终目的就是提升模型的性能。

三、特征工程处理流程

特征工程处理流程主要包括以下四个方面特征处理，特征生成，特征提取，特征选择。本文主要介绍前两种方法。

四、特征处理与特征构建

在探索性数据分析中，我们已经对数据有了很深的了解，接下来要对数据中的特征进行处理和生成。

特征处理主要对数字，类别，顺序，时间序列，文本等类型数据进行处理，使得数据更适合模型的预测。
特征构建/衍生/生成：是根据对数据的了解，人为定出一些有意义的特征。这部分在之前探索性数据分析中有提到，其实进行EDA的目的就是为了更好地了解数据。

注：特征处理中也包含了特征清洗这一步骤，跟之前的数据预处理是一样的。关于这些没有太过明确的定义，主要学习整个处理数据的流程即可，不用对概念中的处理方式太过纠结。

4.1 数字特征的处理和构建

4.1.1 数据标准化、归一化

在数据挖掘数据处理过程中，不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。

数据标准化处理主要包括数据同趋化处理和无量纲化处理两个方面。

1. 数据同趋化处理主要解决不同性质数据问题，对不同性质指标直接加总不能正确反映不同作用力的综合结果，须先考虑改变逆指标数据性质，使所有指标对测评方案的作用力同趋化，再加总才能得出正确结果。
2. 数据无量纲化处理主要解决数据的可比性。经过上述标准化处理，原始数据均转换为无量纲化指标测评值，即各指标值（各特征）都处于同一个数量级别上，可以进行综合对比分析。

常见的数据标准化处理（这里先统称为数据标准化处理，其实数据标准化，归一化，中心化不一样）有以下四种，可以取消由于量纲不同、自身变异或者数值相差较大所引起的误差。

1.实现中心化和正态分布的Z-score
2.实现归一化的Max-Min
3.用于稀疏矩阵的MaxAbs
4.针对离群点的RobustScaler

sklearn的preprocessing提供了可以满足需求的方法。先用训练集训练标准化的类，然后用训练好的类分别转化训练集和测试集.

中心化：把数据整体移动到以0为中心点的位置。将数据减去这个数据集的平均值。
标准化：把整体的数据的中心移动到0，数据再除以一个数。在数据中心化之后，数据再除以数据集的标准差。
归一化：把数据的最小值移动到0，再除以数据集的最大值。对这个数据集的每一个数减去min，然后除以极差。
中心化、标准化、归一化定义

4.1.1.1 中心化与标准化(归一化)的处理意义

1.提升模型收敛速度
如下图，x1的取值为0-2000，而x2的取值为1-5，假如只有这两个特征，对其进行优化时，会得到一个窄长的椭圆形，导致在梯度下降时，梯度的方向为垂直等高线的方向而走之字形路线，这样会使迭代很慢，相比之下，右图的迭代就会很快（理解：也就是步长走多走少方向总是对的，不会走偏）。

2.提升模型精度
这在涉及到一些距离计算的算法时效果显著，比如算法要计算欧氏距离，如SVM，KNN等。上图中x2的取值范围比较小，涉及到距离计算时其对结果的影响远比x1带来的小，所以这就会造成精度的损失。所以归一化很有必要，他可以让各个特征对结果做出的贡献相同。而基于树的模型，可以不进行标准化，例如随机森林，bagging 和 boosting等。以 C4.5 算法为例，决策树在分裂结点时候主要依据数据集 D 关于特征 x 的信息增益比，而信息增益比和特征是否经过归一化是无关的，归一化不会改变样本在特征 x 上的信息增益。

在多指标评价体系中，由于各评价指标的性质不同，通常具有不同的量纲和数量级。当各指标间的水平相差很大时，如果直接用原始指标值进行分析，就会突出数值较高的指标在综合分析中的作用，相对削弱数值水平较低指标的作用。因此，为了保证结果的可靠性，需要对原始指标数据进行标准化处理。

从经验上说，归一化是让不同维度之间的特征在数值上有一定比较性，可以大大提高分类器的准确性。

3. 深度学习中数据归一化可以防止模型梯度爆炸。

通过中心化和标准化处理，最终得到均值为0，标准差为1的服从标准正态分布的数据。可以取消由于量纲不同、自身变异或者数值相差较大所引起的误差。

---

在一些实际问题中，我们得到的样本数据都是多个维度的，即一个样本是用多个特征来表征的。比如在预测房价的问题中，影响房价的因素（特征）有房子面积、卧室数量等，很显然，这些特征的量纲和数值得量级都是不一样的，在预测房价时，如果直接使用原始的数据值，那么他们对房价的影响程度将是不一样的，而通过标准化处理，可以使得不同的特征具有相同的尺度（Scale）。简言之，当原始数据不同维度上的特征的尺度（单位）不一致时，需要标准化步骤对数据进行预处理。

下图中以二维数据为例：左图表示的是原始数据；中间的是中心化后的数据，数据被移动大原点周围；右图将中心化后的数据除以标准差，得到为标准化的数据，可以看出每个维度上的尺度是一致的（红色线段的长度表示尺度）。
其实，在不同的问题中，中心化和标准化有着不同的意义，比如在训练神经网络的过程中，通过将数据标准化，能够加速权重参数的收敛。对数据进行中心化预处理，这样做的目的是要增加基向量的正交性。

中心化 -PCA示例
下面两幅图是数据做中心化（centering）前后的对比，可以看到其实就是一个平移的过程，平移后所有数据的中心是（0，0）

在做PCA时，我们需要找出矩阵的特征向量，也就是主成分（PC）。比如说找到的第一个特征向量是a = [1, 2]，a在坐标平面上就是从原点出发到点 (1,2)的一个向量。
如果没有对数据做中心化，那算出来的第一主成分的方向可能就不是一个可以“描述”（或者说“概括”）数据的方向。
黑色线就是第一主成分的方向。只有中心化数据之后，计算得到的方向才能比较好的“概括”原来的数据。

中心化与标准化(归一化)的处理意义

4.1.1.2 Z-Score

Z-Score：即标准化。它是基于原始数据的均值和标准差，通过减去均值然后除以方差（或标准差），这种数据标准化方法经过处理后数据，符合标准正态分布，即均值为0，标准差为1。转化函数为：x =(x - 𝜇)/𝜎

注：

• 使用最多，处理后的数据均值为0，标准差为1.
• 其使用前提最好是特征值服从正态分布