特征工程
特征工程是将原始数据转化为有助于模型学习的信息输入（特征）的技术。
概述
In classic machine learning it is often the single biggest driver of accuracy, more than the choice of algorithm.
深入探讨
模型只能从您提供的输入中学习，而原始数据很少以有用的形式到达。特征工程重塑了它：从时间戳中提取星期几，计算客户的平均购买量，将类别编码为数字，将值缩放到公共范围，或将列组合成比率。如果做得好，它会暴露算法所需的模式，因此基于重要特征的简单模型通常会击败基于原始数据的复杂模型。它还需要领域知识，因为知道“每分钟交易数”信号欺诈是创造强大功能的原因。典型的风险是数据泄漏，意外地根据预测时不可用的信息构建了一个特征，这会夸大测试分数但在生产中失败。深度学习使其中一些自动化，但结构化/表格问题仍然严重依赖它。
技术洞察
常见技术包括归一化或标准化（缩放数字，以便没有单一特征占主导地位）、分类变量的单热或目标编码、对连续值进行分箱以及创建交互或聚合特征。一个关键的原则是仅在训练数据上拟合转换（例如缩放器的平均值和标准差），然后将它们应用于验证和测试集。在完整数据集上计算它们会泄漏信息并产生过于乐观的结果，而这些结果在部署中无法保持。
战略影响
更清晰的判决
它可以帮助您将清晰的技术声明与营销语言分开。
成本与预算
在花费金钱或时间之前，您可以提出更好的实施问题。
团队与工作流程
具有共同理解的团队可以做出更好的产品、政策和学习决策。
特征工程的未来
深度学习可以自动提取图像、音频和文本的特征，其中网络直接从原始输入中学习表示。但对于表格数据和业务数据（大多数企业数据）来说，深思熟虑的特征工程仍然具有决定性作用。该领域正在转向自动化（AutoML，自动特征生成）和可重用的“特征存储”，让团队可以跨模型共享一致的、经过充分测试的特征。预计会有更多工具来建议功能并防止泄漏，而人类领域的专业知识对于最高价值的功能仍然至关重要。
现实世界的实施
欺诈检测：得出交易频率、自上次购买以来的时间以及距通常位置的距离等特征。
需求预测：从原始销售时间戳中提取星期几、假期标志和滚动平均值。
信用评分：将原始历史转化为债务与收入之类的比率以及最近逾期付款的计数。
客户流失：将活动汇总到功能中，例如每月登录次数和自上次参与以来的天数。
风险与防护栏
不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。
基准测试可能看起来很强大，但实际性能却参差不齐。
忽视数据质量和评估计划通常会产生脆弱的结果。
实施路线图
从您需要的结果的简单语言定义开始。
在测试之前选择一种成功指标和一种失败条件。
使用代表性数据运行小型试点，而不是完善的演示集。
记录特征工程在哪些方面有帮助以及在哪些方面更简单的方法更好。
不断探索
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Feature Engineering quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
常见问题
What is Feature Engineering?
特征工程是将原始数据转化为有助于模型学习的信息输入（特征）的技术。在经典机器学习中，它通常是准确性的最大驱动因素，而不是算法的选择。
什么是特征工程？
特征工程是根据原始数据制作输入（特征），以便模型可以找到有用的模式。
为什么特征工程在经典机器学习中经常被描述为至关重要？
在结构化数据上，精心设计的特征通常比特定模型更重要，因此基于出色特征的简单模型可以获胜。
什么是特征工程中的数据泄漏？
泄漏意味着某个功能潜入了您在预测时实际上不会获得的信息，从而夸大了测试分数，但在生产中却失败了。
当缩放特征（例如标准化）时，应该在哪里计算平均值和标准差？
仅在训练数据上安装缩放器，然后将其应用到其他地方，可以防止泄漏并给出实际的性能估计。
以下哪一项是分类数据的典型特征工程技术？
分类变量通常通过 one-hot 或目标编码转换为数字，以便模型可以使用它们。