特征工程的常用方法
-
为什么要做特征构造？
原始特征无法直接表达业务规律，构造特征可以显式化非线性、交互、时间周期等信息，显著提升模型的表达能力 与泛化性能
-
特征构造的常用坑有哪些?
- 信息泄露（使用未来标签统计）
- 维度灾难（交叉特征未做hash或者降维）
- 业务不合理（特征解释性差、难以落地）
-
模型效果不提示，怎么办？
- 检查特征质量（是否与目标强相关）
- 特征选择（L1正则化、树模型重要性）
- 模型升级（采用更加复杂的模型）
特征工程是机器学习中数据预处理的核心环节，直接影响模型效果。面试中常被问及以下方法：
数值型特征处理
- 标准化（Z-Score）：将数据转换为均值为0、方差为1的分布，公式为 x ′ = x − μ σ x' = \frac{x - \mu}{\sigma} x′=σx−μ
- 归一化（Min-Max）：将数据线性映射到[0,1]区间，公式为 x ′ = x − x m i n x m a x − x m i n x' = \frac{x - x_{min}}{x_{max} - x_{min}} x′=xmax−xminx−xmin
- 鲁棒缩放（Robust Scaling）：使用中位数和四分位数，适用于存在异常值的数据
类别型特征编码
One-Hot 编码： 类别数量较少（<15个）；模型对数值敏感（如线性回归、SVM）。
- 优点：避免引入数值大小关系，适用于无序类别特征；兼容大多数机器学习模型。
- 缺点：维度爆炸（高基数特征时内存消耗大）；可能引入稀疏性问题。
标签编码（Label Encoding）：类别存在内在顺序（如学历等级）。
- 优点：节省内存，仅用一列数值表示类别；适合树模型（如决策树、随机森林）。
- 缺点：可能引入虚假顺序关系，影响线性模型或距离类模型（如KNN、回归）。
频率编码（Frequency Encoding）：高基数特征（如邮政编码）；需保留统计信息的场景。
- 优点：保留类别分布信息，适用于高基数特征；减少维度。
- 缺点：相同频率的类别无法区分；可能引入过拟合风险。
目标编码（Target Encoding）：分类任务且类别分布不均衡；需增强特征与目标关联性。
- 优点：结合目标变量信息，提升模型表现；适用于高基数分类问题。
- 缺点：需防范数据泄漏（需严格划分训练/测试集）；可能过拟合小类别。
哈希编码（Hashing Encoding）：实时处理或内存受限场景；类别基数极高（>1000）。
- 优点：有效降维，适用于极高基数特征；内存效率高。
- 缺点：可能发生哈希冲突；可解释性差。
注意事项
- 树模型（如XGBoost）通常对编码方式不敏感，但线性模型需谨慎选择。
- 高基数特征优先测试频率/目标编码，避免One-Hot的维度灾难。
特征构造
- 多项式特征：通过特征相乘或平方构造非线性特征
- 离散化/分箱（Binning）：将连续变量离散化，如年龄分段
- 时间特征：从时间戳提取小时、星期等周期性特征
- 统计聚合特征：group by->count、均值、最大值、最小值、方差
- 交叉/组合特征：两特征相乘、拼接字符串
特征选择
- 方差阈值：移除方差低于阈值的低方差特征
- 卡方检验：筛选与目标变量相关性高的分类特征
- 基于模型：使用树模型的特征重要性或L1正则化进行筛选
文本特征处理
- 词袋模型（Bag of Words）：统计词频生成向量
- TF-IDF：衡量词语在文档中的重要程度
- Word2Vec/GloVe：将词语映射为稠密向量
缺失值处理
- 删除：直接移除缺失值过多的特征或样本
- 填充：用均值、中位数或预测值进行填补
- 标志位：新增二进制列标记是否存在缺失