轉自：https://blog.csdn.net/cymy001/article/details/79169862

特征生成

特征工程中引入的新特征，需要驗證它確實能提高預測得準確度，而不是加入一個無用的特征增加算法運算的復雜度。

1. 時間戳處理

時間戳屬性通常需要分離成多個維度比如年、月、日、小時、分鐘、秒鐘。但是在很多的應用中，大量的信息是不需要的。比如在一個監督系統中，嘗試利用一個’位置+時間‘的函數預測一個城市的交通故障程度，這個實例中，大部分會受到誤導只通過不同的秒數去學習趨勢，其實是不合理的。並且維度’年’也不能很好的給模型增加值的變化，我們可能僅僅需要小時、日、月等維度。因此在呈現時間的時候，試著保證你所提供的所有數據是你的模型所需要的。並且別忘了時區，假如你的數據源來自不同的地理數據源，別忘了利用時區將數據標準化。

2. 分解類別屬性(one-hot)

一些屬性是類別型而不是數值型，舉一個簡單的例子，由{紅，綠、藍}組成的顏色屬性，最常用的方式是把每個類別屬性轉換成二元屬性，即從{0,1}取一個值。因此基本上增加的屬性等於相應數目的類別，並且對於你數據集中的每個實例，只有一個是1（其他的為0），這也就是獨熱（one-hot)編碼方式（類似於轉換成啞變量）。
如果你不了解這個編碼的話，你可能會覺得分解會增加沒必要的麻煩（因為編碼大量的增加了數據集的維度）。相反，你可能會嘗試將類別屬性轉換成一個標量值，例如顏色屬性可能會用{1,2,3}表示{紅，綠，藍}。這裏存在兩個問題，首先，對於一個數學模型，這意味著某種意義上紅色和綠色比和藍色更“相似”（因為|1-3| > |1-2|）。除非你的類別擁有排序的屬性（比如鐵路線上的站），這樣可能會誤導你的模型。然後，可能會導致統計指標（比如均值）無意義，更糟糕的情況是，會誤導你的模型。還是顏色的例子，假如你的數據集包含相同數量的紅色和藍色的實例，但是沒有綠色的，那麽顏色的均值可能還是得到2，也就是綠色的意思。
能夠將類別屬性轉換成一個標量，最有效的場景應該就是只有兩個類別的情況。即{0,1}對應{類別1，類別2}。這種情況下，並不需要排序，並且你可以將屬性的值理解成屬於類別1或類別2的概率。

3.分箱/分區(數值型轉類別型)

有時候，將數值型屬性轉換成類別型更有意義，同時將一定範圍內的數值劃分成確定的塊，使算法減少噪聲的幹擾。只有在了解屬性的領域知識的基礎，確定屬性能夠劃分成簡潔的範圍時分區才有意義，即所有的數值落入一個分區時能夠呈現出共同的特征。在實際應用中，當你不想讓你的模型總是嘗試區分值之間是否太近時，分區能夠避免過擬合。例如，如果你所感興趣的是將一個城市作為整體，這時你可以將所有落入該城市的維度值進行整合成一個整體。分箱也能減小小錯誤的影響，通過將一個給定值劃入到最近的塊中。如果劃分範圍的數量和所有可能值相近，或對你來說準確率很重要的話，此時分箱就不適合了。

4. 交叉特征(組合分類特征)

交叉特征算是特征工程中非常重要的方法之一了，它是將兩個或更多的類別屬性組合成一個。當組合的特征要比單個特征更好時，這是一項非常有用的技術。數學上來說，是對類別特征的所有可能值進行交叉相乘。假如擁有一個特征A,A有兩個可能值{A1，A2}。擁有一個特征B，存在{B1，B2}等可能值。然後，A&B之間的交叉特征如下：{（A1，B1），（A1，B2），（A2，B1），（A2，B2）}，並且你可以給這些組合特征取任何名字，但是需要明白每個組合特征其實代表著A和B各自信息協同作用。一個更好地詮釋好的交叉特征的實例是類似於（經度，緯度）。一個相同的經度對應了地圖上很多的地方，緯度也是一樣。但是一旦你將經度和緯度組合到一起，它們就代表了地理上特定的一塊區域，區域中每一部分是擁有著類似的特性。

5. 特征選擇

為了得到更好的模型，使用某些算法自動的選出原始特征的子集。這個過程，你不會構建或修改你擁有的特征，但是會通過修剪特征來達到減少噪聲和冗余。在數據特征中，存在一些對於提高模型的準確率比其他更重要的特征，也還有一些與其他特征放在一起出現了冗余，特征選擇是自動選出對於解決問題最有用的特征子集來解決上述問題的。特征選擇算法可能會用評分方法排名和選擇特征，比如相關性或其他確定特征重要性的方法，更進一步的方法可能需要通過試錯，來搜索出特征子集。
還可以構建輔助模型，逐步回歸就是模型構造過程中自動執行特征選擇算法的一個實例，還有像Lasso回歸和嶺回歸等正則化方法也被歸入到特征選擇，通過加入額外的約束或者懲罰項加到已有模型（損失函數）上，以防止過擬合並提高泛化能力。

6. 特征縮放

某些特征比其他特征具有較大的跨度值。舉個例子，將一個人的收入和他的年齡進行比較，更具體的例子，如某些模型（像嶺回歸）要求你必須將特征值縮放到相同的範圍值內。通過縮放可以避免某些特征比其他特征獲得大小非常懸殊的權重值。

7. 特征提取

特征提取涉及到從原始屬性中自動生成一些新的特征集的一系列算法，降維算法就屬於這一類。特征提取是一個自動將觀測值降維到一個足夠建模的小數據集的過程。對於列表數據，可使用的方法包括一些投影方法，像主成分分析和無監督聚類算法。對於圖形數據，可能包括一些直線檢測和邊緣檢測，對於不同領域有各自的方法。
特征提取的關鍵點在於這些方法是自動的（只需要從簡單方法中設計和構建得到），還能夠解決不受控制的高維數據的問題。大部分的情況下，是將這些不同類型數據（如圖，語言，視頻等）存成數字格式來進行模擬觀察。

特征選擇

(1)子集產生：按照一定的搜索策略產生候選特征子集；
(2)子集評估：通過某個評價函數評估特征子集的優劣；
(3)停止條件：決定特征選擇算法什麽時候停止；
(4)子集驗證：用於驗證最終所選的特征子集的有效性。

特征選擇的搜索策略分為：完全搜索策略、啟發式策略以及隨機搜索策略。
特征選擇本質上是一個組合優化問題，求解組合優化問題最直接的方法就是搜索，理論上可以通過窮舉法來搜索所有可能的特征組合，選擇使得評價標準最優的特征子集作為最後的輸出，但是n個特征的搜索空間為2n，窮舉法的運算量隨著特征維數的增加呈指數遞增，實際應用中經常碰到幾百甚至成千上萬個特征，因此窮舉法雖然簡單卻難以實際應用。其他的搜索方法有啟發式搜索和隨機搜索，這些搜索策略可以在運算效率和特征子集質量之間尋找到一個較好的平衡點，而這也是眾多特征選擇算法努力的目標。

完全搜索(Complete)

廣度優先搜索( Breadth First Search )：廣度優先遍歷特征子空間。枚舉所有組合，窮舉搜索，實用性不高。
分支限界搜索( Branch and Bound )：窮舉基礎上加入分支限界。例如：剪掉某些不可能搜索出比當前最優解更優的分支。
其他，如定向搜索 (Beam Search )，最優優先搜索 ( Best First Search )等。

啟發式搜索(Heuristic)

序列前向選擇(SFS，Sequential Forward Selection)：從空集開始，每次加入一個選最優。
序列後向選擇(SBS，Sequential Backward Selection)：從全集開始，每次減少一個選最優。
增L去R選擇算法 (LRS，Plus-L Minus-R Selection)：從空集開始，每次加入LL個，減去RR個，選最優(L>RL>R)或者從全集開始，每次減去RR個，增加LL個，選最優(L<RL<R)。
其他，如雙向搜索(BDS，Bidirectional Search)，序列浮動選擇(Sequential Floating Selection)等。

隨機搜索(Random)

隨機產生序列選擇算法(RGSS， Random Generation plus Sequential Selection)：隨機產生一個特征子集，然後在該子集上執行SFS與SBS算法。
模擬退火算法( SA， Simulated Annealing )：以一定的概率接受一個比當前解要差的解，而且這個概率隨著時間推移逐漸降低。
遺傳算法( GA， Genetic Algorithms )：通過交叉、突變等操作繁殖出下一代特征子集，並且評分越高的特征子集被選中參加繁殖的概率越高。
隨機算法共同缺點:依賴隨機因素，實驗結果難重現。

Embedded：在嵌入式特征選擇中，特征選擇算法本身作為組成部分嵌入到學習算法裏。最典型的即決策樹算法，如ID3、C4.5以及CART算法等，決策樹算法在樹增長過程的每個遞歸步都必須選擇一個特征，將樣本集劃分成較小的子集，選擇特征的依據通常是劃分後子節點的純度，劃分後子節點越純，則說明劃分效果越好，可見決策樹生成的過程也就是特征選擇的過程。

Filter：過濾式特征選擇的評價標準從數據集本身的內在性質獲得，與特定的學習算法無關，因此具有較好的通用性。通常選擇和類別相關度大的特征或者特征子集。過濾式特征選擇的研究者認為，相關度較大的特征或者特征子集會在分類器上獲得較高的準確率。過濾式特征選擇的評價標準分為四種，即距離度量、信息度量、關聯度度量以及一致性度量。
優點：算法的通用性強；省去了分類器的訓練步驟，算法復雜性低，因而適用於大規模數據集；可以快速去除大量不相關的特征，作為特征的預篩選器非常合適。缺點：由於算法的評價標準獨立於特定的學習算法，所選的特征子集在分類準確率方面通常低於Wrapper方法。

Wrapper：封裝式特征選擇是利用學習算法的性能評價特征子集的優劣。因此，對於一個待評價的特征子集，Wrapper方法需要訓練一個分類器，根據分類器的性能對該特征子集進行評價。Wrapper方法中用以評價特征的學習算法是多種多樣的，例如決策樹、神經網絡、貝葉斯分類器、近鄰法、支持向量機等等。
優點：相對於Filter方法，Wrapper方法找到的特征子集分類性能通常更好。缺點：Wrapper方法選出的特征通用性不強，當改變學習算法時，需要針對該學習算法重新進行特征選擇；由於每次對子集的評價都要進行分類器的訓練和測試，所以算法計算復雜度很高，尤其對於大規模數據集來說，算法的執行時間很長。

非監督特征學習的目標是捕捉高維數據中的底層結構，挖掘出低維的特征。
在特征學習中，K-means算法可以將一些沒有標簽的輸入數據進行聚類，然後使用每個類別的質心來生成新的特征。

以上內容參考：
1)http://www.dataguru.cn/article-9861-1.html
2)https://www.jianshu.com/p/ab697790090f

特征工程：特征生成，特征選擇(三)