特征工程(二)
特征理解
理解手上的数据,就可以更好的明确下一步的方向。从繁杂的切入点中,主要着眼于一下几个方面:
- 结构化数据与非结构化数据;
- 数据的4个等级;
- 识别数据中存在的缺失值;
- 探索性数据分析;
- 描述性统计;
- 数据可视化;
我们从理解最基础的数据结构入手,然后研究不同的数据类型。在理解数据后,就可以开始修正有问题的数据了。例如,我们必须知道数据中有多少缺失值,以及如何处理。
可以查看这篇文章
特征增强
在理解数据后,可以对数据集进行清洗
主要包括一下内容:
- 对非结构化数据进行结构化;
- 数据填充——在原先没有数据的位置填充(缺失)数据
- 数据归一化
- 标准化(也称为z-score标准化)
- 极差化(也称为min-max标准化)
- L1和L2正则化
特征选择
对数据属性进行筛选,选择那些对我们的机器学习流水线有帮助的属性进行提取,得到特征。
这些方法主要包括:
- 相关系数
- 识别并移除多重共线性
- 卡方检验;
- 方差分析
- 理解 p p p值
- 迭代特征选择;
- 用机器学习测量熵和信息增益
特征构建
在进行数据集处理的时候,不仅可以进行特征筛选,选出可用的特征,也可以主动将数据进行构建,通过不同的构建思路,构建新的特征。