第三次打卡 特征工程

特征工程

目标是对于第二步所做的数据分析处理过的数据进行进一步的分析，并进行处理，对数据进行一些图表或者文字总结。
包括数据理解、数据清洗、特征构造，特征选择，类别不平衡。

• 数据理解
  数据层：
  定性数据：描述性质
  定量数据：描述数量
  描述层： 进行统计性描述
  解读层
  结论层

• 数据解读
  目的：提高数据质量，降低算法用错误数据建模的风险
  特征变换：定性变量编码、标准化、归一化
  缺失值处理：少量不处理，大量删除，也可以补全（均值，中位数，众数）、高维映射（one-hot）、模型预测、最邻近补全、矩阵补全（R-SVC）
  异常值处理：简单统计观看，正态分布可使用3a法则，利用模型进行离群点检测（聚类、K邻近等）
  其他：删除无效列、更改dtype

• 特征构造
  目的：增强数据表达、添加先验知识
  统计量特征
  为了方便，可以使用concat函数把测试集和训练集连接一起进行特征构造，可以增加一个字段来判断测试集和训练集。

# 训练集和测试集放在一起，方便构造特征
Train_data['train']=1
Test_data['train']=0
data = pd.concat([Train_data, Test_data], ignore_index=True)

时间特征：节假日等
地理信息：分桶
非线性变换：log、平方、根号
数据分桶：等频等距分桶、best-KS分桶、卡方分桶
特征组合、特种交叉：FM模型

• 特种选择
  目的：平衡预测能力和计算复杂度；降低噪声
  过滤式(Filter）：先过滤再学习，relief、方差选择、相关系数、卡方检验、互信息发
  包裹式： 将最终要使用的学习器性能作为平衡特征子集的评价标准，LVM
  嵌入式：结合过滤式和包裹式，LR+L1、决策树
• 类别不平衡
  扩充数据集
  尝试使用其他评价指标，AUC等
  调整sita值
  重采样
  合成样本，SMOTE
  选择其他模型，如决策树
  加权少类别的样本错分代价
  其他：把大类分为小类，将小类视为异常点

代码实战

• 删除异常值：

调用函数使用箱线图删除异常值

• 特征构造：
  将训练集和测试集放在一起构造特征
  添加使用时间特征，要注意，数据里有时间出错的格式，所以我们需要 errors=‘coerce’
  添加城市信息
  构造统计数据，统计总计，最大值最小值方差等数据
  数据分桶

可以先输出，给树模型学习

再构造一份特征给 LR NN 之类的模型用
观察特征图，进行取log进行归一化（服从长尾分布）
对于各种特征进行处理，尽量往正态分布进行变换

对于类别进行one-hot编码

• 特征选择