特征工程概述

关注

原创最新推荐文章于 2026-03-19 01:13:06 发布 4.1k 阅读 AI 写同款· GEO 优化 ›

【AI深究】特征工程（Feature Engineering）深度解析：原理、算法与工程实践|核心原理、主流方法、数学表达、未来趋势|归一化与标准化、降维、文本、时间、类别型、AutoFE|未来前沿大家好，我是爱酱。本篇延续将会系统梳理特征工程（Feature Engineering）的定义、核心流程、主流方法、数学表达、工程实践与未来趋势，结合数学公式，帮助你全面理解这一机器学习与AI落地的“灵魂工程”。注：本文章含大量数学算式、详细例子说明及大量代码演示，大量干货，建议先收藏再慢慢观看理解。新频道发展不易，你们的每个赞、收藏跟转发都是我继续分享的动力！阅读详情

Feature engineering is the process of using domain knowledge of the data to create features that
make machine learning algorithms work.

工业界广泛流传这么一句话：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。顾名思义，特征工程本质是一项工程活动，目的是最大限度地从原始数据中提取特征以供算法和模型使用。

1.特征处理

1.1 特征与标注数据清洗

1.1.1数据采样

对于二分类问题:选取正例，负例，负类设置为0, 正类设置为1.

对于多分类问题:选取多分类，编码到[0，classnum).

类别不平衡问题：样本层面可以采用oversampling/undersampling. 算法层面可以采用代价敏感方法/样本设置权重

1.1.2 样本过滤

基于统计的异常点检测算法
例如极差，四分位数间距，均差，标准差等，这种方法适合于挖掘单变量的数值型数据。

基于距离的异常点检测算法

主要通过距离方法来检测异常点，将数据集中与大多数点之间距离大于某个阈值的点视为异常点，主要使用的距离度量方法有绝对距离(曼哈顿距离)、欧氏距离和马氏距离等方法。

基于密度的异常点检测算法

考察当前点周围密度，可以发现局部异常点。

1.2 无量纲化

为了平衡取值范围不一致的特征，需要对特征进行无量纲化。常用的无量纲化操作有标准化和归一化。

标准化：标准化需要计算特征的均值和标准差，然后使用如下公式计算放缩后的特征值：

x' = x - X ⃗ S

$\mathcal{x}^{'}=\frac{\mathcal{x}-\vec X}{S}$
区间缩放法：区间缩放法的思路有多种，常见的一种为利用两个最值进行缩放，公式表达为：

x' = x - M i n M a x - M i n

$\mathcal{x}^{'}=\frac{\mathcal{x}-Min}{Max-Min}$

1.3离散化与哑编码

1.3.1 离散化

在上面介绍过连续值的取值空间可能是无穷的，为了便于表示和在模型中处理，需要对连续值特征进行离散化处理。常用的离散化方法包括等值划分和等量划分。例如某个特征的取值范围为[0，10]，我们可以将其划分为10段， $[0,1),[1,2),\cdots ,[9,10)$

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模型也会更稳定；
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

1.3.2 哑编码

哑编码主要是采用N位状态寄存器来对N个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。

例子：

对于国籍特征假设有三个选项，{中国，美国，加拿大} One-hot encoding 之后,中国变成了[1，0，0]，美国变成了[0，1，0]，加拿大变成了[0，0，1]

好处：

使用one-hot编码，将离散特征的取值扩展到了欧式空间，离散特征的某个取值就对应欧式空间的某个点。
在回归，分类，聚类等机器等学习算法中，特征之间距离的计算或相似度的计算是非常重要的，而我们常用的距离或相似度的计算都是在欧式空间的相似度计算，计算余弦相似性，基于的就是欧式空间。
将离散型特征使用one-hot编码，确实会让特征之间的距离计算更加合理
对离散型特征进行one-hot编码可以加快计算速度。

1.4 缺失值处理

有些特征可能因为无法采样或者没有观测值而缺失.例如距离特征，用户可能禁止获取地理位置或者获取地理位置失败，此时需要对这些特征做特殊的处理，赋予一个缺省值。缺省值如何赋予，也有很多种方法。例如单独表示，众数，平均值等。

1.5 特征生成以及特征学习

特征生成

根据已有特征生成新特征，增加特征的非线性。常见的数据变换有基于多项式的、基于指数函数的、基于对数函数的。

例如4个特征，度为2的多项式转换公式如下：

特征学习

特征学习可以分为监督特征学习和无监督特征学习：

监督特征学习包括监督神经网络、多层感知机；

无监督特征学习包括无监督PCA、LDA、AutoEncoder、MF和各种形式的聚类算法。

2.特征选择

2.1 概述

在机器学习或者统计学中，又称为变量选择、属性选择或者变量子集选择，是在模型构建中，选择相关特征并构成特征子集的过程。

目的

简化模型，增加模型的可解释性
缩短训练时间
避免维度灾难
改善模型通用性、降低过拟合

2.2一般过程

[1]Dash, Manoranjan, and Huan Liu. “Feature selection forclassification.” Intelligent data analysis 1.1-4 (1997): 131-156.

[2]Tang, Jiliang, Salem Alelyani, and Huan Liu. “Feature selection forclassification: A review.” Data Classification: Algorithms andApplications (2014): 37.