特征工程
特征工程指的是把原始数据转变为模型的训练数据的过程，它的目的就是获取更好的训练数据特征，使得机器学习模型逼近这个上限。特征工程能使得模型的性能得到提升，有时甚至在简单的模型上也能取得不错的效果。特征工程在机器学习中占有非常重要的作用，一般认为括特征构建、特征提取、特征选择三个部分。特征构建比较麻烦，需要一定的经验。
其中，以标签为目标，根据标签的不同属性做特征工程是特征工程中重要的一环
如在本次项目中，用相关性探索在is标签下，各个标签的相关性，并绘制热力图
或者在推荐系统中，探索是否点击这个标签与广告位置这一特征的关系
因此可以筛选出跟标签相关性高的特征，删去相关度低的特征，增加模型的泛化能力，避免过拟合。
但是在进行预测的过程中，常常可能会遇到一种情况，比如该特征在训练集上较为均匀，但是在测试集上可能集中于某一部分，这种可能会对模型的预测带来不好的影响，因此需要删去特征在两者相差过大的区间，避免模型预测时出现过拟合或欠拟合。
同时，每个人做特征工程的手法各有千秋，为此需要大量练习，从多个角度分析特征的性质，帅选出最优特征。
预测
模型的最终的一步即是对数据进行预测，每个模型都有自己适合的数据集，因此需要多个模型进行对比，得到最终结果
574
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
