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。
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
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
