如何运用这9种特征工程技巧高效解决90%的机器学习难题？

本文共计5489个文字，预计阅读时间需要22分钟。

特征是什么？为什么需要工程设计？

特征是描述事物属性或行为的指标。工程设计需要，因为机器学习算法通常将输入数据转换成输出。这些输入数据包括特征，通常是表格形式，由列和行组成。算法需要输入，以进行计算和输出结果。

特征是什么？为什么需要工程设计？

基本上，所有机器学习算法都是将一些输入数据转化为输出。这些输入数据包括若干特征，通常是以由列组成的表格形式出现。而算法往往要求输入具有某些特性的特征才能正常工作。因此，出现了对特征工程的需求。

特征工程至少有两个目标，

• 构建适合机器学习算法要求的输入数据。
• 改善机器学习模型的性能。

根据《福布斯》的一项调查，数据科学家把 80% 左右的时间花在数据收集、清晰以及预处理等数据准备上。

这点显示了特征工程在数据科学中的重要性。因此有必要整理一下特征工程的主要技术。本篇通过 Pandas 和 Numpy 等库来实际操练。

import pandas as pd
import numpy as np

获得特征工程专业知识的最佳方法是对各种数据集试验不同的技术，并观察其对模型性能的影响。

本文主要介绍以下几个方面，内容较多，建议收藏、关注、点赞。文末提供技术交流群。

• 1、数据插补
• 2、处理异常值
• 3、分箱操作
• 4、对数转换
• 5、独热编码
• 6、分组操作
• 7、特征拆分
• 8、缩放操作
• 9、日期处理

1、数据插补

缺失值是为机器学习准备数据时可能遇到的最常见问题之一。