零基础入门数据挖掘学习路径-3数据的特征工程

零基础入门数据挖掘学习路径-3数据的特征工程

特征工程目标

1.对于特征进行进一步分析，并对于数据进行处理
2.完成对于特征工程的分析，并对于数据进行一些图表或者文字总结

3.2 内容介绍
常见的特征工程包括：

1. 异常处理：
   通过箱线图（或 3-Sigma）分析删除异常值；
   BOX-COX 转换（处理有偏分布）；
   长尾截断；
2. 特征归一化/标准化：
   标准化（转换为标准正态分布）；
   归一化（抓换到 [0,1] 区间）；
   针对幂律分布，可以采用公式：
3. 数据分桶：
   等频分桶；
   等距分桶；
   Best-KS 分桶（类似利用基尼指数进行二分类）；
   卡方分桶；
4. 缺失值处理：
   不处理（针对类似 XGBoost 等树模型）；
   删除（缺失数据太多）；
   插值补全，包括均值/中位数/众数/建模预测/多重插补/压缩感知补全/矩阵补全等；
   分箱，缺失值一个箱；
5. 特征构造：
   构造统计量特征，报告计数、求和、比例、标准差等；
   时间特征，包括相对时间和绝对时间，节假日，双休日等；
   地理信息，包括分箱，分布编码等方法；
   非线性变换，包括 log/ 平方/ 根号等；
   特征组合，特征交叉；
   仁者见仁，智者见智。
6. 特征筛选
   过滤式（filter）：先对数据进行特征选择，然后在训练学习器，常见的方法有 Relief/方差选择发/相关系
   数法/卡方检验法/互信息法；
   包裹式（wrapper）：直接把最终将要使用的学习器的性能作为特征子集的评价准则，常见方法有
   LVM（Las Vegas Wrapper） ；
   嵌入式（embedding）：结合过滤式和包裹式，学习器训练过程中自动进行了特征选择，常见的有
   lasso 回归；
7. 降维
   PCA/ LDA/ ICA；
   特征选择也是一种降维。

3.3异常值处理

查看数据，发现存在NAN和object属性

处理异常数据

3.4 部分数据归一化

3.5 部分数据删除

3.6相关性分析

由于时间原因，还有部分处理正在进行，个人感觉特征工程需要不断发现数据规律不断调试，对数据挖掘的收获也是最大的！