特征工程是用數(shù)學轉(zhuǎn)換的方法將原始輸入數(shù)據(jù)轉(zhuǎn)換為用于機器學習模型的新特征。特征工程提高了機器學習模型的準確度和計算效率，體現(xiàn)在以下五個方面

1、把原始數(shù)據(jù)轉(zhuǎn)換成與目標相關的數(shù)據(jù)

我們可以使用特征工程對原始數(shù)據(jù)進行轉(zhuǎn)換，使其更接近目標變量，轉(zhuǎn)換后的特征對目標更有預測性。在這種情況下，雖然未加工輸入出現(xiàn)在原始數(shù)據(jù)集中，但如果將轉(zhuǎn)換后的特征作為輸入，則機器學習將提高預測的準確性。

2、引入額外的數(shù)據(jù)源

特征工程可以使從業(yè)者向機器學習模型引入額外的數(shù)據(jù)源。對于首次注冊的用戶，我們可以猜測該用戶的終生價值。在眾多指標中，我們可以捕捉每個用戶的地理位置。雖然這個數(shù)據(jù)可以直接作為分類特征（例如，IP地址和郵政編碼）提供，但模型基于這些來確定位置信息仍存在困難。

通過第三方的人口統(tǒng)計數(shù)據(jù)，我們可以做的更好。例如，這將允許我們計算每個用戶區(qū)域的平均收入和人口密度，并把這些因素直接插入到訓練集中。現(xiàn)在，這些預測性因素立即變得更容易推斷，而不是依賴模型從原始位置數(shù)據(jù)推斷這種微妙的關系。更進一步，位置信息轉(zhuǎn)換成收入和人口密度的特征工程，可使我們估計這些位置衍生出的特征哪一個更為重要。

3、使用非結構化的數(shù)據(jù)源

特征工程可使我們在機器學習模型中使用非結構化的數(shù)據(jù)源。許多數(shù)據(jù)源本質(zhì)上并不是結構化的特征向量。非結構化數(shù)據(jù)，如文本、時間序列、圖像、視頻、日志數(shù)據(jù)和點擊流等，占創(chuàng)建數(shù)據(jù)的絕大多數(shù)。特征工程使從業(yè)者從上述原始數(shù)據(jù)流中產(chǎn)生機器學習的特征向量。

4、創(chuàng)建更容易解釋的特征

特征工程使機器學習的從業(yè)者能夠創(chuàng)建更易于解釋和實用的特征。通常，使用機器學習發(fā)現(xiàn)數(shù)據(jù)中的模式，對于產(chǎn)生精確的預測十分有用，但會遇到模型的可解釋性和模型的最終應用的一些限制。這些情況下，在驅(qū)動數(shù)據(jù)生成、鏈接原始數(shù)據(jù)和目標變量的過程中，產(chǎn)生更有指示性的新特征，這樣更有價值。

5、用大特征集提高創(chuàng)造性

特征工程使得我們可以扔進大量的特征，觀察它們代表了什么。我們能創(chuàng)建盡可能多的數(shù)據(jù)，觀察在訓練模型中哪些更有預測力。這使得機器學習的從業(yè)者在創(chuàng)建和測試特征時擺脫僵化心理，并能夠發(fā)現(xiàn)新的趨勢和模式。

雖然當幾十個甚至上百個特征用于訓練機器學習模型時，過擬合成為一個問題，但嚴謹?shù)奶卣鬟x擇算法，可減少特征使其易于管理。例如，我們可以自主選擇前10個特征的預測，與所有1000個特征的預測是一樣好，還是優(yōu)于后者。

特征工程

引自《機器學習實戰(zhàn)》

在機器學習應用領域中，特征工程扮演著非常重要的角色，可以說特征工程是機器學習應用的基礎。在機器學習業(yè)界流傳著這樣一句話：“數(shù)據(jù)和特征決定了機器學習算法的上限，而模型和算法只是不斷逼近而已?！痹跈C器學習應用中，特征工程介于“數(shù)據(jù)”和“模型”之間，特征工程是使用數(shù)據(jù)的專業(yè)領域知識創(chuàng)建能夠使機器學習算法工作的特征的過程，而好的數(shù)據(jù)勝于多的數(shù)據(jù)。美國計算機科學家Peter Norvig有兩句經(jīng)典名言：“基于大量數(shù)據(jù)的簡單模型勝于少量數(shù)據(jù)的復雜模型。”以及“更多的數(shù)據(jù)勝于聰明的算法，而好的數(shù)據(jù)勝于多的數(shù)據(jù)?！币虼?，特征工程的前提是收集足夠多的數(shù)據(jù)，其次是從大量數(shù)據(jù)中提取關鍵信息并表示為模型所需要的形式。合適的特征可以讓模型預測更加容易，機器學習應用更有可能成功。

引自《美團機器學習》

在監(jiān)督機器學習過程中，我們使用數(shù)據(jù)教自動系統(tǒng)如何做出準確的決策。機器學習算法被設計成發(fā)現(xiàn)模式和歷史訓練數(shù)據(jù)間的聯(lián)系；它們從數(shù)據(jù)中學習并將學習結果編碼到模型中，從而對新數(shù)據(jù)的重要屬性做出準確的預測。因此，訓練數(shù)據(jù)是機器學習中的基本問題。有了高質(zhì)量的數(shù)據(jù)，就可以捕捉到細微的差別和關聯(lián)關系，從而建立高保真的預測系統(tǒng)。相反，若訓練數(shù)據(jù)質(zhì)量不佳，則再好的機器學習算法也無濟于事。