[特征工程系列二]显性特征的基本处理方法

2018 年 2 月 4 日 凡人机器学习

点击蓝字关注这个神奇的公众号～

今天接着前一篇文章讲，主要分享基于显性特征工程的一些最基本的处理方法。关于显性特征是什么，大家可以去看系列文章一。关于显性特征的处理方法可以做这样的类比：不知道大家平时会不会自己做菜，我个人的话基本每周都会做。我们从菜市场买的菜，不经过处理是不能下锅的，因为需要清洗、摘取烂的叶子、切段等操作后才可以下锅。如果把机器学习整个流程比做炒一盘青菜的话，今天要介绍这些方式就有点像菜的前期处理过程。那我们就分类别介绍下，对于一份数据，需要针对特征做哪些处理。

1.数据清洗

主要包括两方面，一方面是填充缺失值，因为在机器学习算法的计算过程中会对数据进行各种运算符的计算，需要把一些空值填充，通常会被填充为0或者是对应特征列的均值。第二方面是乱码问题，如果是文本数据，经常会出现编码问题，需要把数据的类型全部处理好，最好是double型的。

2.去量纲

因为数据的量纲会影响到某些算法的计算，比如有两个字段数据分别是一个人吃饭用了多少秒、吃了多少斤饭，那一个是时间数据，另一个是重量数据，算法是无法感知这些量纲的影响的，所以需要一些数学手段规避。去量纲常用的方法是归一化和标准化。

标准化就是每个特征值减去均值再除以方差，表现的是数据的一个分布情况。

归一化是把数据的分布强制性的限制到0和1之间，使得向量单位化。

个人认为标准化对于刻画数据的特征效果更好。

3.数据平滑

大家可能平时会接触到一些分布极不均匀的数据，比如一个数据区间是[0,256]，但是百分之九十以上的数据分布在[0,10]和[200,256]这两个区间中。对于这样的数据可以通过取对数的方式来处理，让数据的分布更加平滑。或者干脆数据分桶，取一个中间阈值128，小于128的标记为0，大于128的标记为1。

4.数据去噪

很多时候数据因为采集方式可能出现各别事故，比如有的数据是靠调查问卷采集上来的，但是就有一个人不认真写，瞎写，造成了噪声数据。这种跟事实偏差极大的数据，可以通过正态分布的原理去除，因为可以设想数据的分布大部分是比较平均的，符合正态分布，那与均值偏差极大的部分就很有可能是噪声，需要去除。

5.降维

降维的方式很多啦，如果要讲的话需要非常大的篇幅，之前在写书的时候已经写了一遍了~有点懒，在这里简单提下。其实除了PCA、LDA这两种降维方式以外，逻辑回归中的正则L1也可以理解为一种降维处理。

好哒，今天就分享这么多，感谢大家的收看，如果觉得有帮助可以帮忙转发，如果觉得没帮助就算了，谢谢。

End

为了方便大家学习与交流，凡人云近日已开通机器学习社群！