特征工程是用數(shù)學(xué)轉(zhuǎn)換的方法將原始輸入數(shù)據(jù)轉(zhuǎn)換為用于機(jī)器學(xué)習(xí)模型的新特征。特征工程提高了機(jī)器學(xué)習(xí)模型的準(zhǔn)確度和計(jì)算效率，體現(xiàn)在以下五個(gè)方面

1、把原始數(shù)據(jù)轉(zhuǎn)換成與目標(biāo)相關(guān)的數(shù)據(jù)

我們可以使用特征工程對(duì)原始數(shù)據(jù)進(jìn)行轉(zhuǎn)換，使其更接近目標(biāo)變量，轉(zhuǎn)換后的特征對(duì)目標(biāo)更有預(yù)測(cè)性。在這種情況下，雖然未加工輸入出現(xiàn)在原始數(shù)據(jù)集中，但如果將轉(zhuǎn)換后的特征作為輸入，則機(jī)器學(xué)習(xí)將提高預(yù)測(cè)的準(zhǔn)確性。

2、引入額外的數(shù)據(jù)源

特征工程可以使從業(yè)者向機(jī)器學(xué)習(xí)模型引入額外的數(shù)據(jù)源。對(duì)于首次注冊(cè)的用戶，我們可以猜測(cè)該用戶的終生價(jià)值。在眾多指標(biāo)中，我們可以捕捉每個(gè)用戶的地理位置。雖然這個(gè)數(shù)據(jù)可以直接作為分類(lèi)特征（例如，IP地址和郵政編碼）提供，但模型基于這些來(lái)確定位置信息仍存在困難。

通過(guò)第三方的人口統(tǒng)計(jì)數(shù)據(jù)，我們可以做的更好。例如，這將允許我們計(jì)算每個(gè)用戶區(qū)域的平均收入和人口密度，并把這些因素直接插入到訓(xùn)練集中?，F(xiàn)在，這些預(yù)測(cè)性因素立即變得更容易推斷，而不是依賴模型從原始位置數(shù)據(jù)推斷這種微妙的關(guān)系。更進(jìn)一步，位置信息轉(zhuǎn)換成收入和人口密度的特征工程，可使我們估計(jì)這些位置衍生出的特征哪一個(gè)更為重要。

3、使用非結(jié)構(gòu)化的數(shù)據(jù)源

特征工程可使我們?cè)跈C(jī)器學(xué)習(xí)模型中使用非結(jié)構(gòu)化的數(shù)據(jù)源。許多數(shù)據(jù)源本質(zhì)上并不是結(jié)構(gòu)化的特征向量。非結(jié)構(gòu)化數(shù)據(jù)，如文本、時(shí)間序列、圖像、視頻、日志數(shù)據(jù)和點(diǎn)擊流等，占創(chuàng)建數(shù)據(jù)的絕大多數(shù)。特征工程使從業(yè)者從上述原始數(shù)據(jù)流中產(chǎn)生機(jī)器學(xué)習(xí)的特征向量。

4、創(chuàng)建更容易解釋的特征

特征工程使機(jī)器學(xué)習(xí)的從業(yè)者能夠創(chuàng)建更易于解釋和實(shí)用的特征。通常，使用機(jī)器學(xué)習(xí)發(fā)現(xiàn)數(shù)據(jù)中的模式，對(duì)于產(chǎn)生精確的預(yù)測(cè)十分有用，但會(huì)遇到模型的可解釋性和模型的最終應(yīng)用的一些限制。這些情況下，在驅(qū)動(dòng)數(shù)據(jù)生成、鏈接原始數(shù)據(jù)和目標(biāo)變量的過(guò)程中，產(chǎn)生更有指示性的新特征，這樣更有價(jià)值。

5、用大特征集提高創(chuàng)造性

特征工程使得我們可以扔進(jìn)大量的特征，觀察它們代表了什么。我們能創(chuàng)建盡可能多的數(shù)據(jù)，觀察在訓(xùn)練模型中哪些更有預(yù)測(cè)力。這使得機(jī)器學(xué)習(xí)的從業(yè)者在創(chuàng)建和測(cè)試特征時(shí)擺脫僵化心理，并能夠發(fā)現(xiàn)新的趨勢(shì)和模式。

雖然當(dāng)幾十個(gè)甚至上百個(gè)特征用于訓(xùn)練機(jī)器學(xué)習(xí)模型時(shí)，過(guò)擬合成為一個(gè)問(wèn)題，但嚴(yán)謹(jǐn)?shù)奶卣鬟x擇算法，可減少特征使其易于管理。例如，我們可以自主選擇前10個(gè)特征的預(yù)測(cè)，與所有1000個(gè)特征的預(yù)測(cè)是一樣好，還是優(yōu)于后者。

特征工程

引自《機(jī)器學(xué)習(xí)實(shí)戰(zhàn)》

在機(jī)器學(xué)習(xí)應(yīng)用領(lǐng)域中，特征工程扮演著非常重要的角色，可以說(shuō)特征工程是機(jī)器學(xué)習(xí)應(yīng)用的基礎(chǔ)。在機(jī)器學(xué)習(xí)業(yè)界流傳著這樣一句話：“數(shù)據(jù)和特征決定了機(jī)器學(xué)習(xí)算法的上限，而模型和算法只是不斷逼近而已?！痹跈C(jī)器學(xué)習(xí)應(yīng)用中，特征工程介于“數(shù)據(jù)”和“模型”之間，特征工程是使用數(shù)據(jù)的專業(yè)領(lǐng)域知識(shí)創(chuàng)建能夠使機(jī)器學(xué)習(xí)算法工作的特征的過(guò)程，而好的數(shù)據(jù)勝于多的數(shù)據(jù)。美國(guó)計(jì)算機(jī)科學(xué)家Peter Norvig有兩句經(jīng)典名言：“基于大量數(shù)據(jù)的簡(jiǎn)單模型勝于少量數(shù)據(jù)的復(fù)雜模型。”以及“更多的數(shù)據(jù)勝于聰明的算法，而好的數(shù)據(jù)勝于多的數(shù)據(jù)?！币虼?，特征工程的前提是收集足夠多的數(shù)據(jù)，其次是從大量數(shù)據(jù)中提取關(guān)鍵信息并表示為模型所需要的形式。合適的特征可以讓模型預(yù)測(cè)更加容易，機(jī)器學(xué)習(xí)應(yīng)用更有可能成功。

引自《美團(tuán)機(jī)器學(xué)習(xí)》

在監(jiān)督機(jī)器學(xué)習(xí)過(guò)程中，我們使用數(shù)據(jù)教自動(dòng)系統(tǒng)如何做出準(zhǔn)確的決策。機(jī)器學(xué)習(xí)算法被設(shè)計(jì)成發(fā)現(xiàn)模式和歷史訓(xùn)練數(shù)據(jù)間的聯(lián)系；它們從數(shù)據(jù)中學(xué)習(xí)并將學(xué)習(xí)結(jié)果編碼到模型中，從而對(duì)新數(shù)據(jù)的重要屬性做出準(zhǔn)確的預(yù)測(cè)。因此，訓(xùn)練數(shù)據(jù)是機(jī)器學(xué)習(xí)中的基本問(wèn)題。有了高質(zhì)量的數(shù)據(jù)，就可以捕捉到細(xì)微的差別和關(guān)聯(lián)關(guān)系，從而建立高保真的預(yù)測(cè)系統(tǒng)。相反，若訓(xùn)練數(shù)據(jù)質(zhì)量不佳，則再好的機(jī)器學(xué)習(xí)算法也無(wú)濟(jì)于事。