本文作者：格創(chuàng)東智科技有限公司 OT團(tuán)隊

人工智能是過去兩到三年時間內(nèi)科技行業(yè)最熱的話題。而人工智能技術(shù)進(jìn)步的背后，實(shí)質(zhì)上是機(jī)器學(xué)習(xí)快速發(fā)展后所帶來的巨大提升。

機(jī)器學(xué)習(xí)被廣泛定義為“利用經(jīng)驗來改善計算機(jī)系統(tǒng)的自身性能”。事實(shí)上，“經(jīng)驗”在計算機(jī)中主要是以數(shù)據(jù)的形式存在的，因此數(shù)據(jù)是機(jī)器學(xué)習(xí)的前提和基礎(chǔ)。

在第一期格物匯的文章中，我們介紹了工業(yè)數(shù)據(jù)預(yù)處理的方法，主要針對數(shù)據(jù)格式異常，數(shù)據(jù)內(nèi)容異常等問題進(jìn)行了簡要探討。做數(shù)據(jù)預(yù)處理的主要目的是將雜亂無章的數(shù)據(jù)規(guī)整成我們想要的矩陣、表格、張量等結(jié)構(gòu)，方便在之后的機(jī)器學(xué)習(xí)中進(jìn)行模型訓(xùn)練。然而數(shù)據(jù)中的問題還包含了冗余，噪聲，高維度，體量大等很多問題。解決這些問題的方法與數(shù)據(jù)預(yù)處理的方法在機(jī)器學(xué)習(xí)中被統(tǒng)稱為特征工程，今天我們就來了解一下吧。

◆◆◆

特征工程是什么

當(dāng)你想要你的預(yù)測模型性能達(dá)到最佳時，你要做的不僅是要選取最好的算法，還要盡可能的從原始數(shù)據(jù)中獲取更多的信息。那么問題來了，你應(yīng)該如何為你的預(yù)測模型得到更好的數(shù)據(jù)呢？這就是特征工程要做的事，它的目的就是獲取更好的訓(xùn)練數(shù)據(jù)。

維基百科中給特征工程做出了簡單定義：特征工程是利用數(shù)據(jù)領(lǐng)域的相關(guān)知識來創(chuàng)建能夠使機(jī)器學(xué)習(xí)算法達(dá)到最佳性能的特征的過程。簡而言之，特征工程就是一個把原始數(shù)據(jù)轉(zhuǎn)變成特征的過程，這些特征可以很好的描述這些數(shù)據(jù)，并且利用它們建立的模型在未知數(shù)據(jù)上的表現(xiàn)性能可以達(dá)到最優(yōu)（或者接近最佳性能）。從數(shù)學(xué)的角度來看，特征工程就是人工地去設(shè)計輸入變量X。

◆◆◆

特征工程的重要性

關(guān)于特征工程（Feature Engineering），已經(jīng)是很古老很常見的話題了，坊間常說：“數(shù)據(jù)和特征決定了機(jī)器學(xué)習(xí)的上限，而模型和算法只是逼近這個上限而已”。由此可見，特征工程在機(jī)器學(xué)習(xí)中占有相當(dāng)重要的地位。

1、特征越好，靈活性越強(qiáng)

只要特征選得好，即使是一般的模型（或算法）也能獲得很好的性能，因為大多數(shù)模型（或算法）在好的數(shù)據(jù)特征下表現(xiàn)的性能都還不錯。好特征的靈活性在于它允許你選擇不復(fù)雜的模型，同時運(yùn)行速度也更快，也更容易理解和維護(hù)。

2、特征越好，構(gòu)建的模型越簡單

有了好的特征，即便你的參數(shù)不是最優(yōu)的，你的模型性能也能仍然會表現(xiàn)的很nice，所以你就不需要花太多的時間去尋找最有參數(shù)，這大大的降低了模型的復(fù)雜度，使模型趨于簡單。

3、特征越好，模型的性能越出色

顯然，這一點(diǎn)是毫無爭議的，我們進(jìn)行特征工程的最終目的就是提升模型的性能。

◆◆◆

特征工程怎么做

既然特征工程這么重要，那么我們就來看看特征工程到底是如何實(shí)現(xiàn)或者工作的。特征工程到底分為哪些內(nèi)容？我們大致可以參考如下流程圖來看看。

簡單來說，特征處理主要分如下三個方法：

特征構(gòu)建

特征構(gòu)建是指從原始數(shù)據(jù)中人工的找出一些具有實(shí)際意義的特征。需要花時間去觀察原始數(shù)據(jù)，思考問題的潛在形式和數(shù)據(jù)結(jié)構(gòu)，對數(shù)據(jù)敏感性和機(jī)器學(xué)習(xí)實(shí)戰(zhàn)經(jīng)驗?zāi)軒椭卣鳂?gòu)建。除此之外，屬性分割和結(jié)合是特征構(gòu)建時常使用的方法。特征構(gòu)建是個非常麻煩的問題，書里面也很少提到具體的方法，需要對問題有比較深入的理解。

特征抽取

一些觀測數(shù)據(jù)如果直接建模，其原始狀態(tài)的數(shù)據(jù)太多。像圖像、音頻和文本數(shù)據(jù)，如果將其看做是表格數(shù)據(jù)，那么其中包含了數(shù)以千計的屬性。特征抽取是自動地對原始觀測降維，使其特征集合小到可以進(jìn)行建模的過程。通?？刹捎弥鞒煞址治?PCA)、線性判別分析（LDA）)等方法；對于圖像數(shù)據(jù)，可以進(jìn)行線(line)或邊緣(edge)的提??；根據(jù)相應(yīng)的領(lǐng)域，圖像、視頻和音頻數(shù)據(jù)可以有很多數(shù)字信號處理的方法對其進(jìn)行處理。

特征選擇

不同的特征對模型的準(zhǔn)確度的影響不同，有些特征與要解決的問題不相關(guān)，有些特征是冗余信息，這些特征都應(yīng)該被移除掉。特征選擇是自動地選擇出對于問題最重要的那些特征子集的過程。常用的特征選擇方法可以分為3類：過濾式（filter）、包裹式（wrapper）和嵌入式（embedding）。

◆◆◆

小結(jié)

總的來說，數(shù)據(jù)會存在各種各樣的問題，針對這些問題我們的特征工程給出了相應(yīng)的解決辦法：1.特征解釋能力不足，我們可以嘗試使用特征構(gòu)建，對數(shù)據(jù)進(jìn)行升維來提升特征解釋能力；2.特征冗余，維度太高，噪聲太多，我們可以通過特征抽取和特征選擇，來對數(shù)據(jù)進(jìn)行降維去噪，提煉特征。當(dāng)然還有其他的特征處理方法，一般需要根據(jù)具體問題而定。