机器学习 | 特征工程

特征工程指的是把原始数据转变为模型的训练数据的过程，它的目的就是获取更好的训练数据特征，使得机器学习模型逼近这个上限。

简单来说就是算法的前期处理阶段，经过特征工程处理后的数据是无法直接通过肉眼辨别处理的好换，只有通过算法的结果反推特征工程处理的好坏，如果模型任何效果不好，任何一个模型的效果都不好，八成是特征工程不好，需要重新做特征工程。

需要什幺样的数据

一般公司内部做机器学习的数据源：

用户行为日志数据：记录的用户在系统上所有操作所留下来的日志行为数据

业务数据：商品/物品的信息、用户/会员的信息……

第三方数据：爬虫数据、购买的数据、合作方的数据……

数据如何存储

一般情况下，用于后期模型创建的数据都是存在在本地磁盘、关系型数据库或者一些相关的分布式数据存储平台的。

本地磁盘 MySQL 、Oracle、Hbase、HDFS、Hive。

数据清洗

数据清洗（datacleaning）是在机器学习过程中一个不可缺少的环节，其数据的清洗结果直接关系到模型效果以及最终的结论。

数据清洗的步骤：

预处理

在数据预处理过程主要考虑两个方面，如下：

选择数据处理工具：关系型数据库或者 Python 查看数据的元数据以及数据特征：一是查看元数据，包括字段解释、数据来源等一切可以描述数据的信息；

另外是抽取一部分数据，通过人工查看的方式，对数据本身做一个比较直观的了解，并且初步发现一些问题，为之后的数据处理做准备。

数据清洗–格式内容错误数据清洗

一般情况下，数据是由用户/访客产生的，也就有很大的可能性存在格式和内容上不一致的情况，所以在进行模型构建之前需要先进行数据的格式内容清洗操作。格式内容问题主要有以下几类：

1. 时间、日期、数值、半全角等显示格式不一致：直接将数据转换为一类格式即可，该问题一般出现在多个数据源整合的情况下。

1. 内容中有不该存在的字符：最典型的就是在头部、中间、尾部的空格等问题，这种情况下，需要以半自动校验加半人工方式来找出问题，并去除不需要的字符。

1. 内容与该字段应有的内容不符：比如姓名写成了性别、身份证号写成手机号等问题。

数据清洗–逻辑错误清洗

主要是通过简单的逻辑推理发现数据中的问题数据，防止分析结果走偏，主要包  含以下几个步骤：

1. 数据去重，去除/替换不合理的值

1. 去除/重构不可靠的字段值(修改矛盾的内容)

数据清洗–去除不需要的数据

一般情况下，我们会尽可能多的收集数据，但是不是所有的字段数据都是可以应  用到模型构建过程的，也不是说将所有的字段属性都放到构建模型中，最终模型  的效果就一定会好，实际上来讲，字段属性越多，模型的构建就会越慢，所以有  时候可以考虑将不要的字段进行删除操作。在进行该过程的时候，要注意备份原  始数据。

数据清洗–关联性验证

如果数据有多个来源，那幺有必要进行关联性验证，该过程常应用到多数据源合  并的过程中，通过验证数据之间的关联性来选择比较正确的特征属性，比如：汽  车的线下购买信息和电话客服问卷信息，两者之间可以通过姓名和手机号进行关  联操作，匹配两者之间的车辆信息是否是同一辆，如果不是，那幺就需要进行数  据调整。

数据不平衡

在实际应用中，数据往往分布得非常不均匀，也就是会出现“长尾现象”，即绝  大多数的数据在一个范围/属于一个类别，而在另外一个范围或者另外一个类别  中，只有很少的一部分数据。那幺这个时候直接使用机器学习可能效果会不太少，  所以这个时候需要我们进行一系列的转换操作。

1. 设置损失函数的权重，使得少数类别数据判断错误的损失大于多数类别数据判断 错误的损失，即当我们的少数类别数据预测错误的时候，会产生一个比较大的损  失值，从而导致模型参数往让少数类别数据预测准确的方向偏。可以通过scikit-  learn中的class_weight参数来设置权重。

1. 下采样/欠采样(under sampling)：从多数类中随机抽取样本从而减少多数类别 样本数据，使数据达到平衡的方式。

1. 集成下采样/欠采样：采用普通的下采样方式会导致信息丢失，所以一般采用集 成学习和下采样结合的方式来解决这个问题；主要有两种方式：

EasyEnsemble：

采用不放回的数据抽取方式抽取多数类别样本数据，然后将抽取出来的数据和少数类别  数据组合训练一个模型；多次进行这样的操作，从而构建多个模型，然后使用多个模型  共同决策/预测。

BalanceCascade：

利用Boosting这种增量思想来训练模型；先通过下采样产生训练集，然后使用  Adaboost算法训练一个分类器；然后使用该分类器多对所有的大众样本数据进行预测，  并将预测正确的样本从大众样本数据中删除；重复迭代上述两个操作，直到大众样本数  据量等于小众样本数据量。

1. Edited Nearest Neighbor(ENN)：对于多数类别样本数据而言，如果这个样本 的大部分k近邻样本都和自身类别不一样，那我们就将其删除，然后使用删除后  的数据训练模型。

1. Repeated Edited Nearest Neighbor(RENN)：对于多数类别样本数据而言， 如果这个样本的大部分k近邻样本都和自身类别不一样，那我们就将其删除；重  复性的进行上述的删除操作，直到数据集无法再被删除后，使用此时的数据集据  训练模型

1. Tomek Link Removal：如果两个不同类别的样本，它们的最近邻都是对方，也 就是A的最近邻是B，B的最近邻也是A，那幺A、B就是Tomek Link。将所有  Tomek Link中多数类别的样本删除。然后使用删除后的样本来训练模型

1. 过采样/上采样(Over Sampling)：和欠采样采用同样的原理，通过抽样来增加 少数样本的数目，从而达到数据平衡的目的。一种简单的方式就是通过有放回抽  样，不断的从少数类别样本数据中抽取样本，然后使用抽取样本+原始数据组成  训练数据集来训练模型；不过该方式比较容易导致过拟合，一般抽样样本不要超过50%。

过采样/上采样(Over Sampling)：因为在上采样过程中，是进行是随机有放回  的抽样，所以最终模型中，数据其实是相当于存在一定的重复数据，为了防止这  个重复数据导致的问题，我们可以加入一定的随机性，也就是说：在抽取数据后，  对数据的各个维度可以进行随机的小范围变动，eg: (1,2,3) –> (1.01, 1.99, 3)；  通过该方式可以相对比较容易的降低上采样导致的过拟合问题。

特征转化

特征转换主要指将原始数据中的字段数据进行转换操作，从而得到适合进行算法型构建的输入数据(数值型数据)，在这个过程中主要包括但不限于以下几种数据的处理：

1. 文本数据转换为数值型数据

1. 缺省值填充

1. 定性特征属性哑编码

1. 定量特征属性二值化

1. 特征标准化与归一化

1.  文本数据转换为数值型数据

第一步：分词

定义：通过某种技术将连续的文本分隔成更具有语言语义学上意义的词。这个过  程就叫做分词

方法：

按照文本/单词特征进行划分：对于英文文档，可以基于空格进行单词划分。

词典匹配：匹配方式可以从左到右，从右到左。对于匹配中遇到的多种分段可能性，  通常会选取分隔出来词的数目最小的。

基于统计的方法：隐马尔可夫模型（HMM）、最大熵模型（ME），估计相邻汉字  之间的关联性，进而实现切分

基于深度学习：神经网络抽取特征、联合建模

Jieba分词：

定义：中文分词模块

原理：

1. 字符串匹配：把汉字串与词典中的词条进行匹配，识别出一个词

1. 理解分词法：通过分词子系统、句法语义子系统、总控部分来模拟人对句子的理解。

1. 统计分词法：建立大规模语料库，通过隐马尔可夫模型或其他模型训练，进行分词

第二步：转换

常用方法：词袋法(BOW/TF)、TF-IDF、HashTF、Word2Vec

词袋法(Bag of words, BOW)是最早应用于NLP和IR领域的一种文本处理模型， 该模型忽略文本的语法和语序，用一组无序的单词(words)来表达一段文字或者  一个文档，词袋法中使用单词在文档中出现的次数(频数)来表示文档

词集法(Set of words, SOW)是词袋法的一种变种，应用的比较多，和词袋法的 原理一样，是以文档中的单词来表示文档的一种的模型，区别在于：词袋法使用  的是单词的频数，而在词集法中使用的是单词是否出现，如果出现赋值为1，否  则为0。

TF-IDF：在词袋法或者词集法中，使用的是单词的词频或者是否存在来进行表示文档特征， 但是不同的单词在不同文档中出现的次数不同，而且有些单词仅仅在某一些文档  中出现(eg：专业名称等等)，也就是说不同单词对于文本而言具有不同的重要性，  那幺，如何评估一个单词对于一个文本的重要性呢？

单词的重要性随着它在文本中出现的次数成正比增加，也就是单词的出现次数越多，  该单词对于文本的重要性就越高。  同时单词的重要性会随着在语料库中出现的频率成反比下降，也就是单词在语料库

中出现的频率越高，表示该单词越常见，也就是该单词对于文本的重要性越低。

2. 缺省值填充

主要步骤：

确定缺省值范围

去除不需要的字段

填充缺省值内容、

重新获取数据

重点是填充缺省值内容的填充。

在进行确定缺省值范围的时候，对每个字段都计算其缺失比例，然后按照缺失比例和字段重要性分别指定不同的策略。

在进行去除不需要的字段的时候，需要注意的是：删除操作最好不要直接操作与 原始数据上，最好的是抽取部分数据进行删除字段后的模型构建，查看模型效果，  如果效果不错，那幺再到全量数据上进行删除字段操作。总而言之：该过程简单  但是必须慎用，不过一般效果不错，删除一些丢失率高以及重要性低的数据可以  降低模型的训练复杂度，同时又不会降低模型的效果。

填充缺省值内容是一个比较重要的过程，也是我们常用的一种缺省值解决方案， 一般采用下面几种方式进行数据的填充：

1. 以业务知识或经验推测填充缺省值 以同一字段指标的计算结果(均值、中位数、众数等)填充缺省值

1. 以不同字段指标的计算结果来推测性的填充缺省值，比如通过身份证号码计算年龄、 通过收货地址来推测家庭住址、通过访问的IP地址来推测家庭/公司/学校的家庭住址  等等

如果某些指标非常重要，但是缺失率有比较高，而且通过其它字段没法比较精准 的计算出指标值的情况下，那幺就需要和数据产生方(业务人员、数据收集人员  等)沟通协商，是否可以通过其它的渠道获取相关的数据，也就是进行重新获取  数据的操作。

4. 哑编码

哑编码(OneHotEncoder)：对于定性的数据(也就是分类的数据)，可以采用N位  的状态寄存器来对N个状态进行编码，每个状态都有一个独立的寄存器位，并且  在任意状态下只有一位有效；是一种常用的将特征数字化的方式。

比如有一个特征属性：[‘male’,’female’]，那幺male使用向量[1,0]表示，female使用[0,1]表示。