特征工程
Tip:此部分为零基础入门数据挖掘的 Task3 特征工程部分,带你来了解各种特征工程以及分析方法,欢迎大家后续多多交流。
赛题:零基础入门数据挖掘 - 二手车交易价格预测
地址:https://tianchi.aliyun.com/competition/entrance/231784/introduction?spm=5176.12281957.1004.1.38b02448ausjSX
3.1 特征工程目标
对于特征进行进一步分析,并对于数据进行处理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并打卡。
3.2 内容介绍
常见的特征工程包括:
1.异常处理:
1.通过箱线图(或 3-Sigma)分析删除异常值;
2.BOX-COX 转换(处理有偏分布);
3.长尾截断;
2.特征归一化/标准化:
1.标准化(转换为标准正态分布);
2.归一化(抓换到 [0,1] 区间);
3.针对幂律分布,可以采用公式:
l
o
g
(
1
+
x
1
+
m
e
d
i
a
n
)
log(\frac{1+x}{1+median})
log(1+median1+x)
3.数据分桶:
1.等频分桶;
2.等距分桶;
3.Best-KS 分桶(类似利用基尼指数进行二分类);
4.卡方分桶;
4.缺失值处理:
1.不处理(针对类似 XGBoost 等树模型);
2.删除(缺失数据太多);
3.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;
4.分箱,缺失值一个箱;
5.特征构造:
1.构造统计量特征,报告计数、求和、比例、标准差等;
2.时间特征,包括相对时间和绝对时间,节假日,双休日等;
3.地理信息,包括分箱,分布编码等方法;
4.非线性变换,包括 log/ 平方/ 根号等;
5.特征组合,特征交叉;
6.仁者见仁,智者见智。
6.特征筛选
1.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;
2.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) ;
3.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
1.PCA/ LDA/ ICA;
2.特征选择也是一种降维。