1.数据与特征处理
1.1数据整理
1.1.1数据采集
主要是思考哪些数据有用?
比如,我现在要预测用户对商品的下单情况, 或者我要给
用户做商品推荐, 那我需要采集什么信息呢?
店家的, 商品的, 用户的(埋点)
1.1.2数据格式化
比如时间用年月日还是时间戳还是第几天等等
1.1.3数据清洗
(1)异常值处理
(2)缺失值处理
1.1.4样本不平衡问题
其实现实中大多数情况下,正负样本的真实分布都是不均衡的。
①上采样
②下采样
③人工合成少数类样本。代表算法:SMOTE (Synthetic Minority Oversampling Technique)
④加数据,加特征,加ensemble模型。这样做增加了模型对少数类样本的理解。
⑤在模型中设置class_weight
1.2数值型/类别型/日期型/文本型特征处理
- 数值型
- 幅度调整/归一化
- 统计值max, min, mean, std
- 离散化(分组、分箱)
- Hash分桶
- 每个类别下对应的变量统计值histogram(分布状况)
- 试试 数值型 => 类别型
- 类别型
- one-hot编码/哑变量
- Hash与聚类处理
- 小技巧:统计每个类别变量下各个target比例,转成数
值型
- 时间型
- 看作连续值
a) 持续时间(单页浏览时长)
b) 间隔时间(上次购买/点击离现在的时间) - 看作离散值
a) 一天中哪个时间段(hour_0-23)
b) 一周中星期几(week_monday…)
c) 一年中哪个星期
d) 一年中哪个季度
e) 工作日/周末
- 文本型
- 词袋
- 使用Tf–idf 特征
- 词袋 => word2vec
- 统计型
历届的Kaggle/天池比赛, 天猫/京东排序和推荐业务线里模型用到的特征:
- 加减平均: 商品价格高于平均价格多少, 用户在某个品
类下消费超过平均用户多少, 用户连续登录天数超过平
均多少… - 分位线: 商品属于售出商品价格的多少分位线处
- 次序型: 排在第几位
- 比例类: 电商中, 好/中/差评比例,你已超过全国百分之… 的同学
2.特征选择
2.2过滤型Filter
评估单个特征和结果值之间的相关程度, 排序留下Top相关的特征部分。
方法:Pearson相关系数, 互信息, 距离相关度
缺点: 没有考虑到特征之间的关联作用, 可能把有用的关联特征误踢掉
2.3包裹型Wrapper
把特征选择看做一个特征子集搜索问题, 筛选各种特征子集, 用模型评估效果。
方法:递归特征删除算法
比如用逻辑回归怎么做呢?
① 用全量特征跑一个模型
② 根据线性模型的系数(体现相关性), 删掉5-10%的弱特征, 观察准确率/auc的变化
③ 逐步进行, 直至准确率/auc出现大的下滑停止
2.4嵌入型Embedded
根据模型来分析特征的重要性。
方法:正则化(L1,L2),决策树(熵、信息增益)