将原始数据映射到特征
图 1 左侧表示来自输入数据源的原始数据,右侧表示特征矢量,也就是组成数据集中样本的浮点值集。 特征工程指的是将原始数据转换为特征矢量。进行特征工程预计需要大量时间。
机器学习模型通常期望样本表示为实数矢量。这种矢量的构建方法如下:为每个字段衍生特征,然后将它们全部连接到一起。
图 1. 程序工程将原始数据映射到机器学习特征。
映射数值
机器学习模型根据浮点值进行训练,因此整数和浮点原始数据不需要特殊编码。正如图 2 所示,将原始整数值 6 转换为特征值 6.0 是没有意义的:
映射字符串值
模型无法通过字符串值学习规律,因此您需要进行一些特征工程来将这些值转换为数字形式:
首先,为您要表示的所有特征的字符串值定义一个词汇表。对于
注意:所有其他街道都可以归入一个笼统的“其他”类别,该类别称为 OOV(未收录到词汇表中)桶。street_name
特征,该词汇表中将包含您知道的所有街道。然后,使用该词汇表创建一个独热编码,用于将指定字符串值表示为一个二元矢量。在该矢量(与指定的字符串值对应)中:
- 只有一个元素设为
1
。 - 其他所有元素均设为
0
。
该矢量的长度等于词汇表中的元素数。
- 只有一个元素设为
图 3 显示了某条特定街道 (Shorebird Way) 的独热编码。在此二元矢量中,代表 Shorebird Way 的元素的值为 1
,而代表所有其他街道的元素的值为 0
。
映射分类(枚举)值
分类特征具有一组离散的可能值。例如,名为 Lowland Countries
的特征只包含 3 个可能值:
您可能会将分类特征(如 Lowland Countries
)编码为枚举类型或表示不同值的整数离散集。例如:
- 将荷兰表示为 0
- 将比利时表示为 1
- 将卢森堡表示为 2
不过,机器学习模型通常将每个分类特征表示为单独的布尔值。例如,Lowland Countries
在模型中可以表示为 3 个单独的布尔值特征:
- x1:是荷兰吗?
- x2:是比利时吗?
- x3:是卢森堡吗?
采用这种方法编码还可以简化某个值可能属于多个分类这种情况(例如,“与法国接壤”对于比利时和卢森堡来说都是 True)。