推荐系统---------------特征工程处理方法

特征：数据中抽取出来的结果预测有用的信息
特征的个数就是数据的观测维度。
特征工程时使用专业北京知识和技巧处理数据，使得特征能在机器学习算法上发挥更好的作用的过程。
特征工程一般暴扣特征清洗(采样，清洗一场样本)，特征处理和特征选择
特征按照不同的数据类型分类，有不同的特征处理方法
----数值型
用连续数值表示当前维度特征，通常会对数值型特征进行数学上的处理，主要的做法是归一化和离散化
归一化也称幅度调整
特征与特征之间应该是平等的，区别应该体现在特征内部，
例如：房屋价格和房屋面积的幅度是不同的，价格一般在万级别，而面积应该在百级别，那么明明平等的两个特征，输入到相同的模型中后由于本身的幅值不同而导致产生的效果不同，这是不合理的
那么对于这种情况，应该把数值归一化：

离散化：
第一种：等步长，
例如：年龄段，每隔十岁一个等级，0-10，10-20，20-30，，，，，
第二种：等频
例如：min -> 25% -> 75% -> max
京东上选商品时候的价格区间，这个是按照那个区间物品密集就在那个密集细分下，
例如：手机可能在1500-3500这个之间会多点 而在5000以上相对比会少点
所以价位应该设置为0-25%，25-30%，30-35%，35%-50%，，，，
两种方法对比：
等频的离散方法很准确，但是需要每次对数据分布从新计算一遍，因为昨天用户在淘宝上买东西的价位分布和今天不一定相同，因此昨天做的等频的切分点可能并不适用，而线上最需要避免的就是不固定，需要现场计算，所以昨天训练出的模型今天不一定能使用
等频不固定，但很准确，等步长是固定的，非常简单，因此两者在工业上都有应用
----类别型
类别型数据本身没有大小关系，需要将他们编码为数字，但是他们之间不能有预先设定的大小关系，因此既要做到公平，又要区分他们，那么直接开辟多个空间，
One-Hot 编码/哑变量
One-Hot 编码所做的就是及那个类别数据平行地展开，也就是说，经过One-Hot编码后，这个特征的空间膨胀，
例如：一个特征为颜色，这是红黄蓝绿这个用数字怎么表示呢？？？
用One-Hot编码：
红 1000
黄 0100
蓝 0010
绿 0001

----时间型
时间型特征既可以做连续值，又可以看作离散值
连续值：
持续时间（网页游览时长）
间隔时间（上一次购买/点击离现在的时间间隔）
离散值
一天种那个时间端
一周中的星期几
一年中那个月
工作日/周末
----统计型
加减平均：商品价格高于平均价格多少，用户在某个品类下消费超过多少
分位线：商品属于售出商品价位的分位线处
次序性：商品处于热门商品第几位
比例类：电商中商品的好中差比例