算法知识点——（1）特征工程

目录

一、特征归一化

1. 为什么要做归一化

2. 归一化的类型

二、类别型特征

在对数据处理时，应怎样处理类别型特征？

三、文本表示模型

有哪些文本表示模型？ 它们各有什么优缺点？

四、word2vev

1. Word2Vec是如何工作的？

2. Word2Vec和LDA有什么区别与联系？

五、常见的特征选择分类

1. Filter方法

2. Wrapper方法

3. Embedded方法

---

 

一、特征归一化

1. 为什么要做归一化

    为了消除数据特征间的量纲影响，是的不同指标之间具有可比性

（1）归一化加快了梯度下降求最优解的速度

        在学习速率相同的情况下，取值空间较大的特征x1更新速度会大于x2，需要较多迭代才能找到最优解。通过梯度下降法求解的模型通常需要归一化，包括线性回归、逻辑回归、支持向量机、神经网络等，但对于决策树不适用，归一化并不会改变样本在特征x上的信息增益。

（2）归一化有可能提高精度

     一些分类器需要计算样本件距离（如欧氏距离），若一个特征值域范围较大，则距离计算会主要取决于该特征，从而与实际情况相悖。

2. 归一化的类型

（1）线性归一化/min-max标准化

                                                                                  

该方法适用于数值较集中的情况。缺点：若min\max不稳定，则结果不稳定，实际使用中使用经验常值来代替max、min

（2）标准差标准化/Z-Score

                                                                                         

经过标准化后数据符合标准正态分布，即均值为0，标准差为1。适用于属性最大值最小值位置的情况，或有超出取值范围的离群数据的情况。该方法要求是原始数据分布可近似为高斯分布，否则归一化效果较差。

（3）非线性归一化

常用在数据分化较大的场景，通过数学函数，对原始值进行映射，包括 log、指数、正切的等，需根据数据分布情况，决定非线性函数的曲线。

二、类别型特征

在对数据处理时，应怎样处理类别型特征？

（1） 序号编码

序号编码通常用于处理类别间具有大小关系的数据。按照大小关系对类别型特征赋予一个数值ID， 例如高表示为3、 中表示为2、 低表示为1， 转换后依然保留了大小关系。

（2）独热编码

独热编码通常用于处理类别间不具有大小关系的特征，将数据处理为多维系数矩阵。 对于类别取值较多的情况下使用独热编码需要注意以下问题。

• 使用稀疏向量来节省空间。 在独热编码下， 特征向量只有某一维取值为1， 其他位置取值均为0。 因此可以利用向量的稀疏表示有效地节省空间， 并且目前大部分的算法均接受稀疏向量形式的输入。
• 配合特征选择来降低维度。 高维度特征会带来几方面的问题。 一是在K近邻算法中， 高维空间下两点之间的距离很难得到有效的衡量； 二是在逻辑回归模型中， 参数的数量会随着维度的增高而增加， 容易引起过拟合问题； 三是通常只有部分维度是对分类、 预测有帮助， 因此可以考虑配合特征选择来降低维度。

（3） 二进制编码

二进制编码主要分为两步， 先用序号编码给每个类别赋予一个类别ID， 然后将类别ID对应的二进制编码作为结果。以A、 B、 AB、 O血型为例， A型血的ID为1， 二进制表示为001； B型血的ID为2， 二进制表示为010； 以此类推可以得到AB型血和O型血的二进制表示。  二进制编码本质上是利用二进制对ID进行哈希映射， 最终得到0/1特征向量， 且维数少于独热编码， 节省了存储空间。

三、文本表示模型