特征工程－特征预处理

特征工程

-Data PreProcessing（数据预处理）
-Feature Extraction（特征提取）
-Feature Selection（特征选择）
-Feature construction（特征构造）等 ...
而数据预处理又包括了数据清洗和特征预处理等子问题。

image.png

标准化与归一化对比

1）标准化与归一化的异同
相同点：
它们的相同点在于都能取消由于量纲不同引起的误差；都是一种线性变换，都是对向量X按照比例压缩再进行平移。

不同点：
-目的不同，归一化是为了消除纲量压缩到[0,1]区间；
-标准化只是调整特征整体的分布；
-归一化与最大，最小值有关；
-标准化与均值，标准差有关；
-归一化输出在[0,1]之间；
-标准化无限制。

2）什么时候用归一化？什么时候用标准化？
-如果对输出结果范围有要求，用归一化；
-如果数据较为稳定，不存在极端的最大最小值，用归一化；
-如果数据存在异常值和较多噪音，用标准化，可以间接通过中心化避免异常值和极端值的影响。

3）归一化与标准化的应用场景
在分类、聚类算法中，需要使用距离来度量相似性的时候（如SVM、KNN）、或者使用PCA技术进行降维的时候，标准化(Z-score standardization)表现更好；
在不涉及距离度量、协方差计算、数据不符合正太分布的时候，可以使用第一种方法或其他归一化方法。
比如图像处理中，将RGB图像转换为灰度图像后将其值限定在[0 255]的范围；
基于树的方法不需要进行特征的归一化。
例如随机森林，bagging与boosting等方法。
如果是基于参数的模型或者基于距离的模型，因为需要对参数或者距离进行计算，都需要进行归一化。

数值型特征特征分箱（数据离散化）

分箱的重要性及其优势：
-离散特征的增加和减少都很容易，易于模型的快速迭代；
-稀疏向量内积乘法运算速度快，计算结果方便存储，容易扩展；
-离散化后的特征对异常数据有很强的鲁棒性；
比如一个特征是年龄>30是1，否则0。
如果特征没有离散化，一个异常数据“年龄300岁”会给模型造成很大的干扰；
-对于线性模型，表达能力受限；
-单变量离散化为N个后，每个变量有单独的权重，相当于模型引入了非线性，能够提升模型表达能力，加大拟合；
-离散化后可以进行特征交叉，由M+N个变量变为M*N个变量，进一步引入非线性，提升表达能力；
-特征离散化后，模型会更稳定；
比如如果对用户年龄离散化，20-30作为一个区间，不会因为一个用户年龄长了一岁就变成一个完全不同的人。
当然处于区间相邻处的样本会刚好相反，所以怎么划分区间是门学问；
-特征离散化以后，起到了简化了逻辑回归模型的作用，降低了模型过拟合的风险；
-可以将缺失作为独立的一类带入模型；
-将所有变量变换到相似的尺度上。

待完善