特征处理之一——如何处理连续型特征

  对于传统的机器学习、数据挖掘问题，在CV、NLP领域之外，一般而言特征工程是很重要的。

  对特征进行异常处理亦或是组合的时候往往需要考虑实际业务，但是在实际业务之外，也有那么一些常规的技巧可以遵循。

  特征中的一大类别——连续型特征如何处理？

  1、原始特征

      没错，来句废话……连续型特征的原始形态就可以作为模型的输入，无论是linearRegression、神经网络，还是LR、SVM，又或是GBDT、xgboost和lightGBM等这些算法模型都可以处理。

 

 2、Log转换与Box-Cox转换

     对于linearRegression这种非树类模型，输入值符合正态分布有时能提高一些预测的准确性。使用Log转换与Box-Cox转换就是为了达到这个目的。

    Log转换：Log转换很容易理解，对所有数值进取对数，这种操作可以使直方图中山峰偏左的数据转化为山峰处在中间、近似正态分布的数据。

   Box-Cox转换：，不止对左偏数据有用，右偏一般也好使。

 

3、分箱

    数据分箱是一种将连续型数据转换成为离散型数据的操作，一般而言是为了提升泛化能力。当然转变为离散型数据后还需要进行一些的离散型数据的处理。

  例如：1，2,2，3,4,5,6,7,8,9,10这样一组数值，按照（1-2,3-4,5-6,7-8,9-10）这样的分区规则分区，

             那么就会得到（1-2,1-2，1-2，3-4,3-4,5-6,5-6,7-8,7-8,9-10,9-10）这样的数据，直观理解就是10种变成了5种。

 

分相操作一般是等宽分箱（上面这种在将（1-10）这个范围等距切分成5份的），也有等量分箱（按照数据的数量划分，每个箱里面值的数量保持一致），还有按照需求自定义分箱。

 

4、多项式

   多项式也是特征组合的一种方式，即将转换成这种形式来增加特征。

  tips：多项式可能也只会对纯线性模型起到一点儿作用了，对神经网络和集成学习这些真的半点实际作用都没有……