機器學(xué)習(xí)特征工程的五個方面優(yōu)點

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)換為用于機器學(xué)習(xí)模型的新特征。特征工程提高了機器學(xué)習(xí)模型的準(zhǔn)確度和計算效率，體現(xiàn)在以下五個方面

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原始數(shù)據(jù)進行轉(zhuǎn)換，使其更接近目標(biāo)變量，轉(zhuǎn)換后的特征對目標(biāo)更有預(yù)測性。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，則機器學(xué)習(xí)將提高預(yù)測的準(zhǔn)確性。

2、引入額外的數(shù)據(jù)源

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

通過第三方的人口統(tǒng)計數(shù)據(jù)，我們可以做的更好。例如，這將允許我們計算每個用戶區(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。現(xiàn)在，這些預(yù)測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，可使我們估計這些位置衍生出的特征哪一個更為重要。

3、使用非結(jié)構(gòu)化的數(shù)據(jù)源

特征工程可使我們在機器學(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、時間序列、圖像、視頻、日志數(shù)據(jù)和點擊流等，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

特征工程使機器學(xué)習(xí)的從業(yè)者能夠創(chuàng)建更易于解釋和實用的特征。通常，使用機器學(xué)習(xí)發(fā)現(xiàn)數(shù)據(jù)中的模式，對于產(chǎn)生精確的預(yù)測十分有用，但會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)動數(shù)據(jù)生成、鏈接原始數(shù)據(jù)和目標(biāo)變量的過程中，產(chǎn)生更有指示性的新特征，這樣更有價值。

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)測力。這使得機器學(xué)習(xí)的從業(yè)者在創(chuàng)建和測試特征時擺脫僵化心理，并能夠發(fā)現(xiàn)新的趨勢和模式。

雖然當(dāng)幾十個甚至上百個特征用于訓(xùn)練機器學(xué)習(xí)模型時，過擬合成為一個問題，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個特征的預(yù)測，與所有1000個特征的預(yù)測是一樣好，還是優(yōu)于后者。

特征工程

引自《機器學(xué)習(xí)實戰(zhàn)》

在機器學(xué)習(xí)應(yīng)用領(lǐng)域中，特征工程扮演著非常重要的角色，可以說特征工程是機器學(xué)習(xí)應(yīng)用的基礎(chǔ)。在機器學(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)域知識創(chuàng)建能夠使機器學(xué)習(xí)算法工作的特征的過程，而好的數(shù)據(jù)勝于多的數(shù)據(jù)。美國計算機科學(xué)家Peter Norvig有兩句經(jīng)典名言：“基于大量數(shù)據(jù)的簡單模型勝于少量數(shù)據(jù)的復(fù)雜模型?！币约啊案嗟臄?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)測更加容易，機器學(xué)習(xí)應(yīng)用更有可能成功。

引自《美團機器學(xué)習(xí)》

在監(jiān)督機器學(xué)習(xí)過程中，我們使用數(shù)據(jù)教自動系統(tǒng)如何做出準(zhǔn)確的決策。機器學(xué)習(xí)算法被設(shè)計成發(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，從而對新數(shù)據(jù)的重要屬性做出準(zhǔn)確的預(yù)測。因此，訓(xùn)練數(shù)據(jù)是機器學(xué)習(xí)中的基本問題。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)測系統(tǒng)。相反，若訓(xùn)練數(shù)據(jù)質(zhì)量不佳，則再好的機器學(xué)習(xí)算法也無濟于事。