智慧海洋task3

特征工程：
通过X获得X’来获得更好的训练、预测效果。（最大限度地从原始数据中提取特征）
（1）特征构建（将原始数据转化为实向量）
（2）特征提取（通过特征转换得到一组具有明显物理或统计意义的特征）
（3）特征选择（在特征集里直接挑出具有明显物理或统计意义的特征）（特征选择也称为属性选择或变量选择，是指为了构建模型而选择相关特征子集的过程）
注：特征选择的目的：
（1）简化模型
（2）改善性能
（3）改善通用性、降低过拟合风险

分箱特征
一般在建立分类模型时，需要对连续变量离散化，特征离散化后，模型会更稳定，降低了模型过拟合的风险。比如在建立申请评分卡模型时用logsitic作为基模型就需要对连续变量进行离散化，离散化通常采用分箱法。

分箱的重要性及其优势

1、离散特征的增加和减少都很容易，易于模型的快速迭代；

2、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、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、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；

5、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；

6、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；

7、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。

8、可以将缺失作为独立的一类带入模型。

9、将所有变量变换到相似的尺度上。