特征工程（Feature Engineering）详解

特征工程是机器学习和数据科学中的核心环节，旨在通过对原始数据的转换、组合和提取，构建更适合模型的高质量特征。其质量直接决定模型性能上限（“数据和特征决定了模型的上限，而算法只是逼近这个上限”）。

---

1. 特征工程的核心目标

1. 提升模型性能：增强特征与目标变量的相关性。
2. 降低计算成本：减少冗余特征，加速训练。
3. 改善泛化能力：避免过拟合，提高鲁棒性。

---

2. 特征工程的主要步骤

(1) 数据理解与探索

• 查看数据分布：统计描述（均值、方差、分位数）、可视化（直方图、箱线图）。
• 检测异常值：Z-score、IQR方法。
• 分析特征相关性：热力图、皮尔逊相关系数。

代码示例：

import pandas as pd
import seaborn as sns# 加载数据
data = pd.read_csv("data.csv")
# 统计描述
print(data.describe())
# 相关性热力图
sns.heatmap(data.corr(), annot=True)

(2) 数据清洗

• 处理缺失值：
  • 删除：data.dropna()
  • 填充：均值/中位数（data.fillna()）、预测模型（如KNN）。
• 处理异常值：
  • 截断：np.clip(values, lower, upper)
  • 分箱平滑。

示例：

# 填充缺失值
data["age"].fillna(data["age"].median(), inplace=True)
# 处理异常值（基于IQR）
Q1, Q3 = data["income"].quantile([0.25, 0.75])
IQR = Q3 - Q1
data = data[(data["income"] >= Q1 - 1.5*IQR) & (data["income"] <= Q3 + 1.5*IQR)]

(3) 特征构造

• 领域知识驱动：
  • 电商：从“购买时间”提取“是否周末”、“时段（早/中/晚）”。
  • 文本：从“评论”提取“情感分数”、“关键词频率”。
• 数学变换：
  • 对数变换：np.log(x)（处理长尾分布）。
  • 多项式特征：sklearn.preprocessing.PolynomialFeatures（如 (x^2, xy)）。

代码示例：

from sklearn.preprocessing import PolynomialFeatures# 多项式特征
poly = PolynomialFeatures(degree=2, include_bias=False)
X_poly = poly.fit_transform(X[["feature1", "feature2"]])

(4) 特征编码

• 分类变量编码：
  • 独热编码（One-Hot）：pd.get_dummies()
  • 目标编码（Target Encoding）：用目标变量均值代替类别。
• 数值变量分箱：
  • 等宽分箱：pd.cut(data, bins=5)
  • 等频分箱：pd.qcut(data, q=5)

示例：

# 独热编码
data_encoded = pd.get_dummies(data, columns=["city"])
# 分箱
data["age_bin"] = pd.cut(data["age"], bins=[0, 18, 35, 60, 100], labels=["child", "young", "adult", "elder"])

(5) 特征缩放

• 标准化（Standardization）：StandardScaler（均值0，方差1）。
• 归一化（Normalization）：MinMaxScaler（缩放到[0,1]）。
• 鲁棒缩放（Robust Scaling）：RobustScaler（抗异常值）。

代码：

from sklearn.preprocessing import StandardScalerscaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

(6) 特征选择

• 过滤法（Filter）：
  • 方差阈值：VarianceThreshold(threshold=0.1)
  • 相关性：选择与目标变量相关性高的特征（如相关系数 > 0.3）。
• 包裹法（Wrapper）：
  • 递归特征消除（RFE）：RFECV(estimator=LogisticRegression())
• 嵌入法（Embedded）：
  • L1正则化（Lasso）：Lasso(alpha=0.1).fit(X, y)

示例：

from sklearn.feature_selection import SelectKBest, f_classif# 选择K个最佳特征
selector = SelectKBest(score_func=f_classif, k=5)
X_selected = selector.fit_transform(X, y)

---

3. 高级特征工程技术

(1) 时间序列特征

• 滑动窗口统计：均值、标准差（pandas.rolling()）。
• 周期性特征：提取小时、星期、季节。

(2) 文本特征

• 词袋模型：CountVectorizer
• TF-IDF：TfidfVectorizer
• 词嵌入：Word2Vec、BERT。

(3) 图像特征

• 手工特征：HOG（方向梯度直方图）、SIFT。
• 深度学习：CNN提取的特征（如ResNet最后一层输出）。

---

4. 特征工程的评估

• 模型性能对比：在验证集上测试特征工程前后的AUC、RMSE等指标。
• 特征重要性分析：
  • 树模型：model.feature_importances_
  • SHAP值：解释特征贡献。

代码：

import shap# 计算SHAP值
explainer = shap.Explainer(model)
shap_values = explainer(X)
shap.summary_plot(shap_values, X)

---

5. 工具与库推荐

任务	工具
数据清洗	Pandas, OpenRefine
特征构造	FeatureTools, Tsfresh（时间序列）
特征选择	Scikit-learn, XGBoost内置特征重要性
自动化特征工程	AutoFeat, Feature-engine

---

6. 总结

• 核心原则：理解业务、迭代实验、持续验证。
• 关键步骤：清洗 → 构造 → 编码 → 缩放 → 选择。
• 避坑指南：
  • 避免数据泄漏（先拆分再处理）。
  • 平衡特征数量与信息量（防止维度灾难）。

特征工程是艺术与科学的结合，需结合领域知识和数据直觉，不断优化！

---