要解決一個機器學(xué)習(xí)問題，我們不能僅僅通過將算法應(yīng)用到提供的數(shù)據(jù)上。比如.fit() 。我們首先需要構(gòu)建一個數(shù)據(jù)集。

將原始數(shù)據(jù)轉(zhuǎn)換為數(shù)據(jù)集的任務(wù)稱為特征工程。

例如，預(yù)測客戶是否堅持訂閱特定產(chǎn)品。這將有助于進一步提高產(chǎn)品或用戶體驗，還有助于業(yè)務(wù)增長。

原始數(shù)據(jù)將包含每個客戶的詳細信息，如位置、年齡、興趣、在產(chǎn)品上花費的平均時間、客戶續(xù)訂訂閱的次數(shù)。這些細節(jié)是數(shù)據(jù)集的特性。創(chuàng)建數(shù)據(jù)集的任務(wù)是從原始數(shù)據(jù)中了解有用的特性，并從對結(jié)果有影響的現(xiàn)有特性中創(chuàng)建新特性，或者操作這些特性，使它們可以用于建模或增強結(jié)果。整個過程被簡稱為特性工程。

有多種方法可以實現(xiàn)特征工程。根據(jù)數(shù)據(jù)和應(yīng)用程序不同來分類。

在本文中，我們將了解為什么使用特征工程和特征工程的各種方法。

為什么使用特征工程？

特征工程出現(xiàn)在機器學(xué)習(xí)工作流程的最初階段。特性工程是決定結(jié)果成敗的最關(guān)鍵和決定性的因素。

特征工程在機器學(xué)習(xí)工作流程中的地位

許多Kaggle比賽都是通過基于問題創(chuàng)建適當(dāng)?shù)墓δ芏@勝的。例如，在一場汽車轉(zhuǎn)售比賽中，獲勝者的解決方案包含一個分類特征——普通汽車的顏色，稀有汽車的顏色。這一特性增加了汽車轉(zhuǎn)售的預(yù)測效果。既然我們已經(jīng)理解了特性工程的重要性，現(xiàn)在讓我們深入研究用于實現(xiàn)的各種標(biāo)準(zhǔn)方法。

現(xiàn)在讓我們了解如何實現(xiàn)特性工程。以下是廣泛使用的基本特征工程技術(shù)，

· 編碼

· 分箱

· 歸一化

· 標(biāo)準(zhǔn)化

· 處理缺失值

· 數(shù)據(jù)歸責(zé)技術(shù)

編碼

有些算法只處理數(shù)值特征。但是，我們可能有其他數(shù)據(jù)，比如在我們的例子中"用戶觀看的內(nèi)容類型"。為了轉(zhuǎn)換這種數(shù)據(jù)，我們使用編碼。

One-Hot編碼

將分類數(shù)據(jù)轉(zhuǎn)換為列，并將每個惟一的類別作為列值，這是一種One-Hot編碼。

下面是實現(xiàn)One-Hot編碼的代碼片段，

encoded_columns = pd.get_dummies(data['column'])
data = data.join(encoded_columns).drop('column', axis=1)

當(dāng)分類特征具有不那么獨特的類別時，這種方法被廣泛使用。我們需要記住，當(dāng)分類特征的獨特類別增加時，維度也會增加。

標(biāo)簽編碼

通過為每個類別分配一個唯一的整數(shù)值，將分類數(shù)據(jù)轉(zhuǎn)換為數(shù)字，稱為標(biāo)簽編碼。

比如"喜劇"為0，"恐怖"為1，"浪漫"為2。但是，這樣劃分可能會使分類具有不必要的一般性。

當(dāng)類別是有序的(特定的順序)時，可以使用這種技術(shù)，比如3代表"優(yōu)秀"，2代表"好"，1代表"壞"。在這種情況下，對類別進行排序是有用的。

下面是要實現(xiàn)標(biāo)簽編碼器的代碼片段。

from sklearn.preprocessing import ColumnTransformer
labelencoder = ColumnTransformer()
x[:, 0] = labelencoder.fit_transform(x[:, 0])

分箱

另一種相反的情況，在實踐中很少出現(xiàn)，當(dāng)我們有一個數(shù)字特征，但我們需要把它轉(zhuǎn)換成分類特征。分箱(也稱為bucketing)是將一個連續(xù)的特性轉(zhuǎn)換成多個二進制特性的過程，通常基于數(shù)值。

將數(shù)值數(shù)據(jù)分成4、8、16個箱子

#Numerical Binning Example
Value      Bin       
0-30   ->  Low       
31-70  ->  Mid       
71-100 ->  High#Categorical Binning Example
Value      Bin       
Germany->  Europe      
Italy  ->  Europe       
India  ->  Asia
Japan  ->  Asia

分箱的主要目的是為了使模型更健壯，防止過擬合，但這對性能有一定的影響。每次我們丟棄信息，我們就會犧牲一些信息。

正則化

歸一化(也稱為最小最大歸一化)是一種縮放技術(shù)，當(dāng)應(yīng)用它時，特征將被重新標(biāo)定，使數(shù)據(jù)落在[0,1]的范圍內(nèi)。

特征的歸一化形式可通過如下方法計算:

歸一化的數(shù)學(xué)公式。

這里' x '是原始值而' x '是歸一化值。

原始數(shù)據(jù)、歸一化數(shù)據(jù)的散點圖

在原始數(shù)據(jù)中，alcohol在[11,15]，malic在[0,6]。歸一化數(shù)據(jù)中，alcohol在[0,1]之間，malic在[0,1]之間。

標(biāo)準(zhǔn)化

標(biāo)準(zhǔn)化(也叫Z-score歸一化)是一種縮放技術(shù)，當(dāng)它被應(yīng)用時，特征會被重新調(diào)整，使它們具有標(biāo)準(zhǔn)正態(tài)分布的特性，即均值為0，標(biāo)準(zhǔn)差為=1;其中，μ 為平均值(average)，σ為與平均值的標(biāo)準(zhǔn)差。

計算樣本的標(biāo)準(zhǔn)分?jǐn)?shù)(也稱z分?jǐn)?shù))如下:

標(biāo)準(zhǔn)化的數(shù)學(xué)公式

這將特征在[-1,1]之間進行縮放

原始數(shù)據(jù)、標(biāo)準(zhǔn)化數(shù)據(jù)的散點圖

在原始數(shù)據(jù)中，alcohol在[11,15]，malic在[0,6]。在標(biāo)準(zhǔn)化數(shù)據(jù)中，二者居中于0。

處理缺失值

數(shù)據(jù)集可能包含一些缺失的值。這可能是在輸入數(shù)據(jù)的失誤或出于保密方面的考慮。無論原因是什么，減少它對結(jié)果的影響是至關(guān)重要的。下面是處理缺失值的方法，

· 簡單地刪除那些缺少值的數(shù)據(jù)點(當(dāng)數(shù)據(jù)很大而缺少值的數(shù)據(jù)點較少時，這樣做更可取)

· 使用處理缺失值的算法(取決于實現(xiàn)該算法的庫)

· 使用數(shù)據(jù)注入技術(shù)(取決于應(yīng)用程序和數(shù)據(jù))

數(shù)據(jù)歸責(zé)技術(shù)

數(shù)據(jù)填充就是簡單地用一個不會影響結(jié)果的值替換缺失的值。

對于數(shù)值特征，缺失的值可以替換為:

· 0或默認(rèn)值

#Filling all missing values with 0
data = data.fillna(0)

· 重復(fù)率最高的值

#Filling missing values with mode of the columns
data = data.fillna(data.mode())

· 該特征的均值(受離群值影響，可以用特征的中值替換)

#Filling missing values with medians of the columns
data = data.fillna(data.median())

對于分類特征，缺失的值可以替換為:

· 重復(fù)率最高的值

#Most repeated value function for categorical columns
data['column_name'].fillna(data['column_name'].value_counts()
.idxmax(), inplace=True)

· "其他"或任何新命名的類別，這意味著對數(shù)據(jù)點的估算

在本文中，我們了解了廣泛使用的基本特性工程技術(shù)。我們可以根據(jù)數(shù)據(jù)和應(yīng)用程序創(chuàng)建新特性。但是，如果數(shù)據(jù)很小而且質(zhì)量不好，這些方法可能就沒有用了。

作者：Ramya Vidiyala

deephub翻譯組：孟翔杰