在之前格物匯的文章中，我們介紹了工業(yè)數據預處理的方法以及特征工程的基本知識，今天要帶大家來了解如何做特征構建。

特征構建常用方法

特征構建的常用方法是屬性分割和結合，這一般根據我們具體的問題所決定。我們通過具體的應用場景來看看：

時間列處理

時間戳屬性通常需要分離成多個維度比如年、月、日、小時、分鐘、秒鐘。通常時間序列數據會含有一定的趨勢和周期性，這時需要我們去構建趨勢因子和周期因子。

分解類別屬性

一些屬性是類別型而不是數值型，舉一個簡單的例子，由{紅，綠、藍}組成的顏色屬性，最常用的方式是把每個類別屬性轉換成二元屬性，即從{0,1}取一個值。因此基本上增加的屬性等于相應數目的類別，并且對于你數據集中的每個實例，只有一個是1（其他的為0），這也就是獨熱（one-hot)編碼方式。我們在前面的文章中介紹過了，在此不再贅述。

分箱和分區(qū)

有時候，將數值型屬性轉換成類別呈現更有意義，同時能使算法減少噪聲的干擾，通過將一定范圍內的數值劃分成確定的塊。舉個例子，我們預測一個人是否擁有某款衣服，這里年齡是一個確切的因子。其實年齡組是更為相關的因子，所以我們可以將年齡分布劃分成1-10,11-18,19-25,26-40等年齡段，分別表示 幼兒，青少年，青年，中年四個年齡組，讓相近的年齡組表現出相似的屬性。此外，我們還可以對分箱，分區(qū)做一些統計量字段作為數據的特征。

只有在了解屬性的領域知識的基礎，確定屬性能夠劃分成簡潔的范圍時分區(qū)才有意義。即所有的數值落入一個分區(qū)時能夠呈現出共同的特征。在實際應用中，當你不想讓你的模型總是嘗試區(qū)分值之間是否太近時，分區(qū)能夠避免出現過擬合。例如，如果你所感興趣的是將一個城市作為整體，這時你可以將所有落入該城市的維度值進行整合成一個整體。分箱也能減小小錯誤的影響，通過將一個給定值劃入到最近的塊中。如果劃分范圍的數量和所有可能值相近，或對你來說準確率很重要的話，此時分箱就不適合了。

交叉特征

交叉特征是特征工程中重要的方法之一，交叉特征是一種很獨特的方式，它將兩個或更多的類別屬性組合成一個。當組合的特征要比單個特征更好時，這是一項非常有用的技術。數學上來說，是對類別特征的所有可能值進行交叉相乘。當然我們不僅僅會去查找交叉項關系，還可以去尋找更加復雜的二次項，三次項乃至更復雜的關系，這根據問題求解的需要決定。

經度與緯度的組合便是交叉特征的應用實例，一個相同的經度對應了地圖上很多的地方，緯度也是一樣。但是一旦你將經度和緯度組合到一起，它們就代表了地理上特定的一塊區(qū)域，區(qū)域中每一部分是擁有著類似的特性。

小結

一般我們會收集與問題相關的數據作為我們的特征，但是這些特征有時不足以解釋我們的問題，我們還是會通過特征構建來增加解釋能力。這其實是對數據進行升維操作，總的來說，特征構建可以給我們的模型提供一些關鍵的信息，來解決模型解釋能力不足的情況。但如果我們收集的數據包含了過多的特征，如何對這些特征進行提純呢？請繼續(xù)關注格物匯，我們將在之后的文章中詳細講解。

本文作者：格創(chuàng)東智 OT團隊 （轉載請注明來源及作者）