数据挖掘之特征工程（笔记）

最新推荐文章于 2025-07-14 23:29:41 发布

原创

最新推荐文章于 2025-07-14 23:29:41 发布 · 4.7k 阅读

·

2

·

CC 4.0 BY-SA版权

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

文章标签：

#特征工程 #特征选择

本文详细介绍了特征工程在数据挖掘中的重要性，包括特征处理的连续型特征的不处理、离散化和函数转换，无序类别和有序类别特征的数值化。此外，还探讨了特征选择的目的和不同类型的特征选择方法，以及模型评估在回归预测和分类预测问题中的应用。特征工程是耗时但关键的步骤，直接影响模型的性能和可解释性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

特征工程

在介绍特征工程之前，我们先看两张图。

图一是基本的数据挖掘场景

图二是特征工程的常见方法和步骤

特征工程（Feature Engineering）是数据挖掘模型开发中最耗时、最重要的一步。这里简单介绍笔者在模型开发中所总结的一些方法。

特征也就是我们常常说的变量/自变量，一般分为三类：

连续型
无序类别（离散）型
有序类别（离散）型

特征工程（Feature Engineering）包括：特征处理（Feature Processing）、特征选择（Feature Selection）。

特征处理（Feature Processing）

连续型特征

不处理

除了归一化（去中心

最低0.47元/天解锁文章

200万优质内容无限畅学

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。