标签：一起 alt 素数 选择 enter 法国 朋友 text 14.
特征工程指的是将原始数据转换为特征矢量。
机器学习模型通常期望样本表示为实数矢量。这种矢量的构建方法如下：为每个字段衍生特征，然后将它们全部连接到一起。
图1. 特征工程将原始数据映射到机器学习特征
映射数值
机器学习模型根据浮点值进行训练，因此整数和浮点原始数据不需要特殊编码。正如图2所示，将原始整数值6转换为特征值6.0是没有意义的。
图2. 将整数值映射到浮点值
映射字符串值
模型无法通过字符串值学习规律，因此需要进行一些特征工程来将这些值转换为数字形式：
1. 首先，为要表示的所有特征的字符串值定义一个词汇表。对于street_name特征，该词汇表中将包含我们知道的所有街道。
2. 然后，使用该词汇表创建一个one-hot编码，用于将特定字符串值表示为二元矢量。在该矢量（与指定的字符串值对应）中：
该矢量的长度等于词汇表中的元素数。
图3显示了某条特定街道（Shorebird Way）的one-hot编码。在此二元矢量中，代表Shorebird Way的元素的值为1，而代表所有其他街道的元素的值为0。
图3. 通过one-hot编码映射字符串值
映射分类（枚举）值
分类特征具有一组离散的可能值。例如，名为Lowland Countries的特征只包含3个可能值：
{‘Netherlands‘, ‘Belgium‘, ‘Luxembourg‘}
有些朋友可能会将分类特征（如Lowland Countries）编码为枚举类型或表示不同值的整数离散集。例如：
不过，机器学习模型通常将每个分类特征表示为单独的布尔值。例如，Lowland Countries在模型中可以表示为3个单独的布尔值特征：
：是荷兰吗？
：是比利时吗？
：是卢森堡吗？采用这种方法编码还可以简化某个值可能属于多个分类这种情况（例如，“与法国接壤”对于比利时和卢森堡来说都是True）。
良好特征的特点
避免很少使用的离散特征值
良好的特征值应该在数据集中出现大约5次以上（至于这个数字是怎么来的，我也不知道）。这样一来，模型就可以学习该特征值与标签是如何关联的。也就是说，大量离散值相同的样本可让模型有机会了解不同设置中的特征，从而判断何时可以对标签很好地做出预测。例如，house_type特征可能包含大量样本，其中它的值为victorian：
house_type: victorian
相反，如果某个特征的值仅出现一次或者很少出现，则模型就无法根据该特征进行预测。例如，unique_house_id就不适合作为特征，因为每个值只使用一次，模型无法从中学习任何规律：
unique_house_id: 8SK982ZZ1242Z
最好具有清晰明确的定义
每个特征对于项目中的任何人来说都应该具有清晰明确的含义。例如，下面房龄适合作为特征，可立即识别为年龄：
house_age: 27
相反，对于下方特征值的含义，除了创建它的工程师，其他人恐怕辨识不出：
house_age: 851472000
在某些情况下，混乱的数据（而不是糟糕的工程选择）会导致含义不清晰的值。例如，一下user_age的来源没有检查值恰当与否：
user_age: 277
不要将“神奇”的值与实际数据混为一谈
良好的浮点特征不包含超出范围的异常断点或“神奇”的值。例如，假设一个特征具有0到1之间的浮点值。那么，如下值是可以接受的：
quality_rating: 0.82
quality_rating: 0.37
不过，如果用户没有输入quality_rating，则数据集可能使用如下神奇值来表示不存在该值：
quality_rating: -1
为解决神奇值的问题，需将该特征转换为两个特征：
考虑上游不稳定性
特征的定义不应该随时间发生变化。例如，下列值是有用的，因为城市名称一般不会改变。（注意，我们仍然需要将“br/sao_paulo”这样的字符串转换为one-hot矢量。）
city_id: "br/sao_paulo"
但收集由其他模型推理的值会产生额外成本。可能值“219”目前代表圣保罗，但这种表示在未来运行其他模型时可能轻易发生变化：
inferred_city_cluster: "219"
标签：一起 alt 素数 选择 enter 法国 朋友 text 14.
原文地址：https://www.cnblogs.com/Peyton-Li/p/9798814.html
