特征工程(feature engineering)是指对原始数据进行加工,以设计、选择和转换机器学习模型所用输入变量(特征)的工作。典型做法包括从日期中提取星期、组合多个列生成新变量、将类别值编码为数值、对取值范围进行归一化等。在传统机器学习中,它是决定模型性能的关键步骤,需要对数据和业务领域有所了解。
XGBoost等表格数据模型需要针对每个任务重复进行特征工程,而深度学习能直接从原始数据中学习表示,从而减轻这一负担。面向表格数据的基础模型则是进一步减少这项工作的尝试。
feature engineering
从原始数据中设计并构造机器学习模型所用输入变量(特征)的工作。
特征工程(feature engineering)是指对原始数据进行加工,以设计、选择和转换机器学习模型所用输入变量(特征)的工作。典型做法包括从日期中提取星期、组合多个列生成新变量、将类别值编码为数值、对取值范围进行归一化等。在传统机器学习中,它是决定模型性能的关键步骤,需要对数据和业务领域有所了解。
XGBoost等表格数据模型需要针对每个任务重复进行特征工程,而深度学习能直接从原始数据中学习表示,从而减轻这一负担。面向表格数据的基础模型则是进一步减少这项工作的尝试。
本条目依据AIPOST的文章与广为人知的事实整理。如有错误,请通过更正请求告诉我们。
对比对象是传统的表格机器学习技术栈:数据科学团队要用XGBoost或LightGBM为每个预测任务单独搭建一条流水线,包括手工特征工程、ETL作业,以及在分类和回归模型之间做基准测试。
阅读文章百科说明依据AIPOST的文章与广为人知的事实整理。如有错误,请通过更正请求告诉我们,我们会核实并修改。新文章中出现的名称会在文章发布后加入百科。