特征工程是机器学习工作流程中重要的组成部分，他是将原始数据「翻译」成模型可理解的形式。
本文将介绍特征工程的基本概念、重要性和性能评估的4个步骤。
特征工程的重要性
大家都听过美国计算机科学家 Peter Norvig 的2句经典名言：
基于大量数据的简单模型优于基于少量数据的复杂模型。
这句说明了数据量的重要性。
更多的数据优于聪明的算法，而好的数据优于多的数据。
这句则是说的特征工程的重要性。
所以，如何基于给定数据来发挥更大的数据价值就是特征工程要做的事情。
在16年的一项调查中发现，数据科学家的工作中，有80%的时间都在获取、清洗和组织数据。构造机器学习流水线的时间不到20%。详情如下：
- 设置训练集：3%
- 清洗和组织数据：60%
- 收集数据集：19%
- 挖掘数据模式：9%
- 调整算法：5%
- 其他：4%
PS:数据清洗和组织数据也是数据科学家「最讨厌」的工作。感兴趣的可以看这篇原始的文章：
数据来源：《Data Scientists Spend Most of Their Time Cleaning Data》
什么是特征工程
我们先来看看特征工程在机器学习流程中的位置：
从上图可以看出，特征工程处在原始数据和特征之间。他的任务就是将原始数据「翻译」成特征的过程。
特征：是原始数据的数值表达方式，是机器学习算法模型可以直接使用的表达方式。
特征工程是一个过程，这个过程将数据转换为能更好的表示业务逻辑的特征，从而提高机器学习的性能。
这么说可能不太好理解。其实特征工程跟做饭很像：
我们将食材购买回来，经过清洗、切菜，然后开始根据自己的喜好进行烹饪，做出美味的饭菜。
上面的例子中：
食材就好像原始数据
清洗、切菜、烹饪的过程就好像特征工程
最后做出来的美味饭菜就是特征
人类是需要吃加工过的食物才行，这样更安全也更美味。机器算法模型也是类似，原始数据不能直接喂给模型，也需要对数据进行清洗、组织、转换。最后才能得到模型可以消化的特征。
除了将原始数据转化为特征之外，还有2个容易被忽视的重点：
重点1：更好的表示业务逻辑
特征工程可以说是业务逻辑的一种数学表达。
我们使用机器学习的目的是为了解决业务中的特定问题。相同的原始数据有很多种转换为特征的方式，我们需要选择那些能够「更好的表示业务逻辑」，从而更好的解决问题。而不是那些更简单的方法。
重点2：提高机器学习性能
性能意味着更短时间和更低成本，哪怕相同的模型，也会因为特征工程的不同而性能不同。所以我们需要选择那些可以发挥更好性能的特征工程。
评估特征工程性能的4个步骤
特征工程的业务评估很重要，但是方法五花八门，不同业务有不同的评估方法。
这里只介绍性能的评估方式，相对通用一些。
- 在应用任何特征工程之前，得到机器学习模型的基准性能
- 应用一种或多种特征工程
- 对于每种特征工程，获取一个性能指标，并与基准性能进行对比
- 如果性能的增量大于某个阈值，则认为特征工程是有益的，并在机器学习流水线上应用
例如：基准性能的准确率是40%，应用某种特征工程后，准确率提升到76%，那么改变就是90%。
（76%-40%）/ 40%=90%
总结
特征工程是机器学习流程里最花时间的工作，也是最重要的工作内容之一。
特征工程定义：是一个过程，这个过程将数据转换为能更好的表示业务逻辑的特征，从而提高机器学习的性能。
特征工程容易被忽略的2个重点：
- 更好的表示业务逻辑
- 提高机器学习性能
特征工程性能评估的4个步骤：
- 在应用任何特征工程之前，得到机器学习模型的基准性能
- 应用一种或多种特征工程
- 对于每种特征工程，获取一个性能指标，并与基准性能进行对比
- 如果性能的增量大于某个阈值，则认为特征工程是有益的，并在机器学习流水线上应用
Comments