机器学习的特征工程

1，特征工程的重要性。
好数据 > 多数据 > 好算法。
数据和特征决定了模型预测的上限，而算法只是逼近这个算法而已。
应用机器学习基本上就是特征工程。

2，什么是好的特征？–少而精！
模型更简单：同样的模型精度选择更简单的模型
模型更精准：好的特征是数据中抽取出来的对预测结果最有用的信息

3，特征提取的总结：
特征设计时需要与目标高度相关，应考虑以下三个问题：
这个特征对于目标是否有用？
如果有用，这个特征重要程度如何？
这个特征的信息是否在其他的特征上体现过？
特征设计需要一定的领域知识、直觉和数学知识
初始提取特征后还需要进行特征转换处理后，再进入算法模型
特征设计和提取需要不断进行反复的迭代验证，需要大量时间

4，特征提取。
1，文本特征提取。
词袋模型
TFIDF
2，图像特征提取。

参考链接：https://www.zybuluo.com/rianusr/note/1156011