本公众号关注大数据与人工智能技术。由一批具备多年实战经验的技术极客参与运营管理，持续输出大数据、数据分析、推荐系统、机器学习、人工智能等方向的原创文章，每周至少输出10篇精品原创。同时，我们会关注和分享大数据与人工智能行业动态。欢迎关注。
在上一篇《特征工程（上）—特征选择》中，我们解决了从哪些维度去刻画一个对象的问题。
在本篇中我们聊一下特征表达（或者说特征编码）的问题，即从这些选定的维度，如何去刻画特定的对象。
01
从一个完整的机器学习任务来看，在选择完特征之后，特征表达的任务就是要将一个个的样本抽象成数值向量，供机器学习模型使用。因此，特征表达就要兼顾特征属性和模型需求这两个方面。
探讨完特征表达需要考虑的因素，下面我们就可以有的放矢，讨论一下特征表达的技术问题。
02
上面说过，根据模型的需要，特征需要做连续化或者离散化的处理。连续特征已无需再做连续化处理，可以把特征的值直接拿来用，最多再做个归一化什么的就够了。
方法主要有两种，阈值分组和模型离散。
先说阈值分组，以出生日期为例，如果模型不需要知道一个人具体在哪一分哪一秒出身，很多情况下以年月为阈值划分就足够了。
模型离散的话，我们以树模型为例。树模型是靠对特征空间进行分割，并在每个子空间中用常量建模，得到预测结果的。
特征划分的结果，最终反映为树的叶子结点，因此用某个连续值特征被划分到哪个叶子结点，自然就实现了连续特征的离散化。
03
对离散特征，我们考虑其连续化和离散化的过程。
本文在特征选择的基础上，进一步讨论了特征表达的问题，主要涉及连续和离散型特征的编码方式、特殊特征的处理和缺失值处理等方面。
对文中提到的归一化，我们认为也是特征表达的一个方面，但这个问题不太核心，且限于篇幅，不再详述。下篇文章将是特征工程系列的最后一篇，届时会讨论特征评估的问题。
感谢大家的阅读，对不足及错误之处，依然敬请指正。
-end-
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/198370.html