特征工程（一）

对于一个机器学习问题，数据和特征往往决定了结果的上线，而模型、算法的选择及优化则是在逐步接近这个上限。

特征工程，就是对原始数据进行一系列工程处理，将其提炼为特征，做为输入供算法和模型使用。

特征工程的目的是去除原始数据中的杂质和冗余，设计更高效的特征以刻画求解的问题与预测模型之间的关系。

一、特征归一化

数据归一化，使各指标处于同一数值量级，使不同指标之间具有可比性。

归一化的方法：线性函数归一化((对应值-最小值)/(最大值-最小值))；零均值归一化(均值为0，标准差为1分布，公式：(对应值 - 均值)/标准差)。

为什么对数值类型的特征做归一化？

例如：两种数值特征，x1~[0,5]   x2~[0,10]，使用随机梯度下降时，在学习速率相同的情况下，x1比x2需要较多的迭代才能找到最优解，这个时候训练的话，两种特征对结果的影响就会因为数值范围不同而受影响。但是将两种数值特征归一化到相同的数值区间后，他们的迭代速度就是一样的，对最后结果的影响就不会因为数值范围不同而有影响。

数据归一化不是万能的，通过梯度下降法求解的模型通常是需要归一化的，包括线性模型、逻辑回归、支持向量机、神经网络等模型。但是决策树就不适用。比如c4.5，节点分裂时，选择的依据是信息增益比。而信息增益比与是否归一化无关。

二、类别型特征

类别型特征(比如性别)：原始输入通常是字符串形式，除了决策树等少数模型能直接处理字符串形式的输入，对于逻辑回归、支持向量机等模型，类别型特征必须经过处理转换成数值型特征才能正确工作。

在对数据进行预处理时，应该怎样处理类别型特征？

序号编码

独热编码

二进制编码

序号编码：用于处理类别间具有大小关系的数据。比如成绩：92，91，90。序号分别表示为3，2，1。转换后依然保留了大小关系。

独热编码：用于处理类别间不具有大小关系的特征。例如：血型，一共4个取值。独热编码将其转化为一个4维稀疏向量。A型血表示为(1，0，0，0)，B型血表示为(0，1，0，0)，AB型血表示为(0，0，1，0)，O型血表示为(0，0，0，1)。对于类别取值较多的情况下使用独热编码需要注意两个问题：1. 使用稀疏向量来节省空间。在独热编码下，特征向量只有某一维取值为1，其他位置取值均为0，因此可以用向量的稀疏表示有效的节省空间，并且大部分的算法均接受稀疏向量形式的输入。2.配合特征选择来降低维度。高维度特征会带来几方面的问题。一是在k近邻算法中，高维空间下两点之间的距离很难得到有效的衡量；二是在逻辑回归模型中，参数的数量会随着维度的增高而增加，容易引起过拟合；三是通常只有部分维度是对分类、预测有帮助，因此可以考虑配合特征选择来降低维度。

二进制编码：先用序号编码给每个类别赋予一个类别ID，然后将类别ID对应的二进制编码作为结果。本质上是利用二进制对 ID 进行哈希映射，最终得到0/1特征向量，且维数少于独热编码，节省了存储空间。例如：对四种血型的表示为：A型血是001，B型血是010，AB型血是011，O型血是100。

还有很多其他的编码方式：如Helmert Contrast、Sum Contrast、Polynomial Contrast、Backward Difference Contrast。

向量的稀疏表示： 向量(1, 0, 0, 1, 3, 0)  密集表示：[1, 0, 0, 1, 3, 0]。稀疏表示：(6, [0, 3, 4], [1, 1, 3])   6表示向量的长度，[0, 3, 4]表示的是有值的索引组成的数组，[1, 1, 3]表示的是不为0的值组成的数组。