特征工程
什么是特征工程？
特征工程就像是给机器学习模型准备"食材"的过程。就像做菜需要把食材切好、调味一样，特征工程就是把原始数据转换成模型更容易"消化"的形式。
举个生活例子：
想象你在教一个小朋友认识水果。如果直接给他看整个水果，他可能很难记住。但如果你把水果切成小块，告诉他"这是甜的"、"这是酸的"，他就能更容易理解和记忆。特征工程就是做类似的事情，把复杂的数据变成模型容易理解的形式。
特征提取
- 从原始数据中提取有用信息
- 例如：从日期提取星期几
- 例如：从地址提取城市名
特征转换
- 将数据转换成合适的格式
- 例如：文本转数字
- 例如：类别转独热编码
特征选择
- 选择最重要的特征
- 例如：删除重复信息
- 例如：选择相关性高的特征
常见的特征工程方法
1. 数值型特征处理
实际例子：房价预测
原始数据：房屋面积（平方米）、价格（万元）
- 标准化：把所有价格都转换到0-1之间
- 归一化：把面积和价格都调整到相同范围
- 对数转换：处理特别大的数值
2. 类别型特征处理
实际例子：用户画像
原始数据：用户性别、职业、兴趣爱好
- 独热编码：把性别"男/女"变成[1,0]和[0,1]
- 标签编码：把职业转换成数字编号
- 目标编码：用目标变量的平均值编码
3. 时间特征处理
实际例子：销售预测
原始数据：交易日期、时间
- 提取时间特征：年、月、日、星期几
- 计算时间差：距离某个重要日期的天数
- 周期性编码：把时间转换成循环特征