特征工程是机器学习工作流程中重要的组成部分，他是将原始数据「翻译」成模型可理解的形式。

本文将介绍特征工程的基本概念、重要性和性能评估的4个步骤。

大家都听过美国计算机科学家 Peter Norvig 的2句经典名言：

基于大量数据的简单模型优于基于少量数据的复杂模型。

这句说明了数据量的重要性。

更多的数据优于聪明的算法，而好的数据优于多的数据。

这句则是说的特征工程的重要性。

所以，如何基于给定数据来发挥更大的数据价值就是特征工程要做的事情。

在16年的一项调查中发现，数据科学家的工作中，有80%的时间都在获取、清洗和组织数据。构造机器学习流水线的时间不到20%。详情如下：

PS:数据清洗和组织数据也是数据科学家「最讨厌」的工作。感兴趣的可以看这篇原始的文章：

数据来源：《Data Scientists Spend Most of Their Time Cleaning Data》

我们先来看看特征工程在机器学习流程中的位置：

从上图可以看出，特征工程处在原始数据和特征之间。他的任务就是将原始数据「翻译」成特征的过程。

特征：是原始数据的数值表达方式，是机器学习算法模型可以直接使用的表达方式。

特征工程是一个过程，这个过程将数据转换为能更好的表示业务逻辑的特征，从而提高机器学习的性能。

这么说可能不太好理解。其实特征工程跟做饭很像：

我们将食材购买回来，经过清洗、切菜，然后开始根据自己的喜好进行烹饪，做出美味的饭菜。

上面的例子中：

食材就好像原始数据

清洗、切菜、烹饪的过程就好像特征工程

最后做出来的美味饭菜就是特征

人类是需要吃加工过的食物才行，这样更安全也更美味。机器算法模型也是类似，原始数据不能直接喂给模型，也需要对数据进行清洗、组织、转换。最后才能得到模型可以消化的特征。

除了将原始数据转化为特征之外，还有2个容易被忽视的重点：

重点1：更好的表示业务逻辑

特征工程可以说是业务逻辑的一种数学表达。

我们使用机器学习的目的是为了解决业务中的特定问题。相同的原始数据有很多种转换为特征的方式，我们需要选择那些能够「更好的表示业务逻辑」，从而更好的解决问题。而不是那些更简单的方法。

重点2：提高机器学习性能

性能意味着更短时间和更低成本，哪怕相同的模型，也会因为特征工程的不同而性能不同。所以我们需要选择那些可以发挥更好性能的特征工程。

特征工程的业务评估很重要，但是方法五花八门，不同业务有不同的评估方法。

这里只介绍性能的评估方式，相对通用一些。

例如：基准性能的准确率是40%，应用某种特征工程后，准确率提升到76%，那么改变就是90%。

（76%-40%）/ 40%=90%

特征工程是机器学习流程里最花时间的工作，也是最重要的工作内容之一。

特征工程定义：是一个过程，这个过程将数据转换为能更好的表示业务逻辑的特征，从而提高机器学习的性能。

特征工程容易被忽略的2个重点：

特征工程性能评估的4个步骤：

2021年3月2日 by 打不死的小强 Updated: 2022年8月16日

Thanks for your rating!

You have already rated this article

An error occured, please try again later