特征工程在机器学习中至关重要，涉及特征构建、提取和选择。好的特征能提升模型性能，减少对复杂算法的依赖。文章介绍了PCA、ICA、LDA等特征提取方法，以及滤波器、封装器和集成方法的特征选择技术，并提供了实际应用案例，如推荐系统中的特征工程。建议理解数据特性，坚持RFMVT原则，并不断迭代优化。
在工业应用中，feature 比算法重要，数据比 feature 重要，有很多 kaggle 参赛者分享经验时也是说 feature engineering 很重要，今天来写一写特征工程相关的。
本文结构
- Feature Engineering 是什么
- 有什么用
- 怎么用
- 实际应用
1. 是什么
先用例子来直观地了解一下
例如要分析声音，直接拿来数据，是什么都学不到的，需要进行 fourier 变换
例如分析图片，判断这个图片是不是苹果，可以选择 形状，颜色分布，边 来作为feature
特征工程就是选择一些表示典型特征的数据，来替代原始数据作为模型的输入，进而得到比较好的输出效果。
2. 有什么用
特征越好，模型的性能越好，而且可以不用很复杂的数学
最低0.47元/天 解锁文章
2836
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
