对于机器学习算法工程师而言,机器学习算法原理及其使用只是工具,在实际工程中,真正具有重要意义的是概率统计、信号采样原理以及特征工程。
1、制定特征使用方案
首先就是基于业务需求,分析我们需要使用的数据,和现有可以获得的数据,尽可能的找出对因变量有影响的所有自变量;然后对数据可用性进行评估,包括获取难度、覆盖率、准确率等。
2、制定特征获取方案
分析从所获得的数据集中可以提取哪些特征,包括提取方式及存储方式等。
3、特征处理
①特征清洗
包括对异常样本进行清洗、对数据不平衡样本进行采样处理等。
②数据预处理
A.单个特征处理
依据所使用的算法类型,决定是否需要对单个特征进行预处理;包括对特征的归一化,连续特征的离散化,对缺失值的补齐,对文本类型特征的编码处理等。
B.多个特征处理
多个特征处理方面主要涉及到对特征的降维,以及对多个特征进行选择。特征降维常见方法有PCA与LDA,特征选择的常见方法有Filter(相关系数法,卡方检验,信息增益、互信息),Wrapper,Embedded。详见【机器学习】特征选择(Feature Selection)方法汇总 - 知乎
常见的六种特征选择方法:
1)DF(Document Frequency) 文档频率
DF:统计特征词出现的文档数量,用来衡量某个特征词的重要性
2&