# 特征工程

> 从原始数据中提取、构造、选择最有价值的特征用于建模：- 特征提取：从数据中提取有意义的特征- 特征选择：选择最相关的特征- 特征变换：对特征进行转换优化- 特征组合：组合多个特征创造新特征

- ID: m10975
- 分类: technical
- 领域: 数据科学

## 定义

从原始数据中提取、构造、选择最有价值的特征用于建模：- 特征提取：从数据中提取有意义的特征- 特征选择：选择最相关的特征- 特征变换：对特征进行转换优化- 特征组合：组合多个特征创造新特征脚手架作用：数据的价值在于特征。好的特征比复杂的模型更重要，特征工程是机器学习的核心技能。（合并：特征编码、特征抽象、特征归一化、特征降维、特征降维映射、特征降噪、特征精简、特征聚合、特征聚类、特征空间、特征空间投影、特征驱动开发、特征去偏训练、特征融合、特征提取、特征提取法、特征投影、特

## 机制

借助领域知识与变换，构造对模型最有用的特征表示。机制包含特征构造、选择与提取三类操作。

## 练习

理解数据与业务；构造/变换特征；选择有效特征；以模型效果评估提升。

## 脚手架用法

数据的价值在于特征。好的特征比复杂的模型更重要，特征工程是机器学习的核心技能。（合并：特征编码、特征抽象、特征归一化、特征降维、特征降维映射、特征降噪、特征精简、特征聚合、特征聚类、特征空间、特征空间投影、特征驱动开发、特征去偏训练、特征融合、特征提取、特征提取法、特征投影、特

[阅读网页](https://thinkingmodels.site/entries/detail/m10975)