机器学习之特征工程相关问题

特征工程-处理样本不均衡现象

• 处理样本不均衡现象

关于降维的思想

• 机器学习第八周（三）–PCA

  总之就是不要一开始就使用PCA，可以先试试原始数据的效果，如果你的原始数据收敛的非常慢，占用内存非常多。这时候可以考虑使用PCA。但是如果你的原始数据的效果非常好的时候，这时候再使用PCA就没有必要了。这才是使用PCA的正确流程。

特征怎么离散化？为什么需要离散化？

①非线性！非线性！非线性！逻辑回归属于广义线性模型，表达能力受限；单变量离散化为N个后，每个变量有单独的权重，相当于为模型引入了非线性，能够提升模型表达能力，加大拟合；
离散特征的增加和减少都很容易，易于模型的快速迭代；
② 速度快！速度快！速度快！稀疏向量内积乘法运算速度快，计算结果方便存储，容易扩展；

③ 鲁棒性！鲁棒性！鲁棒性！离散化后的特征对异常数据有很强的鲁棒性：比如一个特征是年龄>30是1，否则0。如果特征没有离散化，一个异常数据“年龄300岁”会给模型造成很大的干扰；

④ 方便交叉与特征组合：离散化后可以进行特征交叉，由M+N个变量变为M*N个变量，进一步引入非线性，提升表达能力；

⑤ 稳定性：特征离散化后，模型会更稳定，比如如果对用户年龄离散化，20-30作为一个区间，不会因为一个用户年龄长了一岁就变成一个完全不同的人。当然处于区间相邻处的样本会刚好相反，所以怎么划分区间是门学问；

⑥ 简化模型：特征离散化以后，起到了简化了逻辑回归模型的作用，降低了模型过拟合的风险。