专栏首页算法channelBAT面试题4:简单聊聊特征工程

BAT面试题4:简单聊聊特征工程

接下来,每天推送一道BAT的面试题,一般问到的这些知识点都是很重要的,所以知道的就再复习一下,不知道的希望这篇可以帮助到你。日积月累,你会在不知不觉中就步入机器学习的大门,并且越走越远。同时,还能助你顺利拿到OFFER.

【问】简单聊聊特征工程?

好的。随着大数据时代的到来,特征工程发挥着越来越重要的作用。那么什么是特征工程呢,简单说,就是发现对因变量y有明显影响作用的特征,通常称自变量x为特征,特征工程的目的是发现重要特征。

一般来说,特征工程大体上可以分为三个方面,一是特征构造,二是特征选择,,三是特征生成。三个方面当中,最重要的是特征选择,我们先简单说一下,特征构造和特征生成,后面再说特征选择。当然一个特征工程当中并不一定涉及到这三个方面。那么接下来,先说特征构造。

顾名思义,特征构造就是构造出来新的特征,一般都是通过对原有的特征进行四则运算产生新的特征。比如原来的特征是x1和x2,那么x1+x2就是一个新的特征,或者当x1大于某个数c的时候,就产生一个新的变量x3,并且x3=1,当x1小于c的时候,x3=0,所以这样看来呢,可以按照这种方法构造出很多特征,这个就是构造。

我们再来说说特征生成,特征生成和特征构造有些相似,但是还是存在一些区别的,特征生成的话,比如主成分分析或者因子分析,都可以对原有数据进行特征生成,比如卷积神经网络的卷积层就是一个特征生成的过程,一张图片,经过卷积的不断扫描,就会把原始图片里边的好多特征逐步提取出来,这个就是特征生成。再如通过主成分分析对原始数据进行降维,那么降维后,每个主成分其实就代表一个新的特征,同样因子分析也具有这方面的功能,通过因子分析可以把潜在变量后面的潜在因子找出来。

通过这几个例子,大家可以逐渐感觉到特征构造和特征生成会有一些区别,但是也有一定的联系。实际上,主成分分析本身就是初始变量的线性组合。这样来看,也属于特征构造的,但是一般特征构造就是简单的四则运算。

上面呢就是简单说了一下,特征生成和特征构造,其实就是想尽各种办法产生个新的特征。下面呢,我们重点要说特征选择了,特征选择是非常重要的,如果特征选择失败,那么前面的工作都是徒劳的,大家试想一下,比如我们构造出了100多个特征,但是呢,却不知道哪个特征最重要,那不是还是没有解决问题吗,所以特征选择就显的尤为重要。

我们首先对特征选择的方法进行一个分类,从机器学习和统计方面进行一个分类,看看各自有哪些常用的算法。

我们先从统计的角度看一下,统计方面呢,我们最先想到的就是回归,回归是可以进行特征选择的,比如自变量x的回归系数如果是不显著的,那么我们就认为它不是一个好的特征。除了看显著性呢,还有常用的手段就是,先把所有的变量一起和y做一个回归,在逐渐去掉某些x,观察模型的deviance如何变化,这类方法其实叫 Wrapper Methods。

但是呢,如果因变量y是离散的,那么我们的回归对应的就是广义线性回归模型了,那么这个时候还可以通过其他方法进行特征选择了,一般做法是单独将每个x和y做一个回归,完后再计算这个模型对应的基尼系数,通过观察基尼系数确定哪个方程对应的特征是最好的,但是呢,这种方法存在缺点,一个是每一个变量都需要单独和y做回归,比较麻烦。第二个是按照这种方法选出来的特征,其实效果不行,也就是在测试集上面表现并不好。那么呢,难道统计学方面就没有好一点方法吗,有呢,就是lasso回归,lasso回归本来就是统计学大师搞出来的,现在已经发展出好多lasso回归的模型了。那么大家一看lasso这个单词是套索的意思。就是套着马脖子,主要是控制马的装置,那么在回归当中呢,主要是套回归系数的,意思是把回归系数控制住,不让它太大,本质上是一种正则化的手段,但是呢,不叫它太大,那数学的语言刻画方式有很多种了,但是lasso回归就选择了很巧妙的一种刻画方式,按照这种套路来,不仅可以约束系数,而且可以在模型最优的时候把不重要的系数约束为0.既然x的系数都成了0了,那我们也不用看显著性了,直接做到了特征选择,或者变量选择。目前看,这个方法是效果是非常好的,而且非常实用与高维数据分析。说的官方一些,这类方法叫Embedded Methods,后面我们会专门讲lasso。

上面就是统计学角度的变量选择。

下面呢,我们就从机器学习角度看看,有没有相关的方法,当然是有的,我们最容易想到的就是回归数,或者叫决策树。这个方法好,主要是模型本身可解释性很强。它是按照x的值,对y进行了划分,划分的好坏依据是啥呢,主要是纯度,一个划分块里,纯度高,就说明划分的好,也就说明了这个划分变量选择的好。变量的重要性也就不言而喻了。当然这里是个简单的介绍,后面会详细地解读。实际上除了决策树,随机深林(random forest),bagging,boosting,gradient booting, 已经xgboost都有特征选择的功能,特别是xgboost,这个算法很厉害,和BGM其实比较相似,后面我们会进行对比。除了基于树的模型呢,还有其他模型,比如神经网络,支持向量机也都有变量选择的功能。

引用自: https://blog.csdn.net/hfutxiaoguozhi/article/details/78756138?utm_source=copy

附特征工程完整任务图:

引用自:

https://www.julyedu.com/question/big/kp_id/23/ques_id/1058

本文分享自微信公众号 - Python与机器学习算法频道(alg-channel)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2018-10-12

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • "爱(AI)与你同行系列"(1):从哪三个方面入手做好特征选择工程?

    今天我们聊一聊特征工程方面的知识,随着大数据时代的到来,特征工程发挥着越来越重要的作用。当数据预处理完成后,我们需要选择有意义的特征输入机器学习的算法和模型进行...

    double
  • 爱(AI)与你同行系列"(1):从哪三个方面入手做好特征选择工程?

    今天我们聊一聊特征工程方面的知识,随着大数据时代的到来,特征工程发挥着越来越重要的作用。当数据预处理完成后,我们需要选择有意义的特征输入机器学习的算法和模型进行...

    double
  • #python小例子# 绘制轮播图​

    使用pyecharts模块的timeline可按照近10年的时间线轮播2个超市7种水果的柱状图显示:

    double
  • 不想累死就来看看 : 特征工程之特征选择

    地址:https://www.cnblogs.com/pinard/p/9032759.html

    机器学习算法工程师
  • ​特征工程系列:特征构造之概览篇

    关于作者:JunLiang,一个热爱挖掘的数据从业者,勤学好问、动手达人,期待与大家一起交流探讨机器学习相关内容~

    木东居士
  • 特征工程系列:自动化特征构造

    数据和特征决定了机器学习的上限,而模型和算法只是逼近这个上限而已。由此可见,特征工程在机器学习中占有相当重要的地位。在实际应用当中,可以说特征工程是机器学习成功...

    木东居士
  • 【技术分享】推荐系统中的自动化特征工程

    在机器学习的各个子领域中,特征工程都扮演着重要的角色。业界有这么一句话,数据和特征决定了机器学习算法的上限,而模型、算法的选择和优化只是在不断逼近这个上限。通过...

    腾讯智能钛AI开发者
  • 谷歌机器学习白皮书全解析 43条黄金法则(二)

    【AI科技评论按】:此白皮书为谷歌总结的机器学习(ML)最优实践方法,浓缩了其多年技术积累与经验,尤其是 YouTube、Google Play 和 Googl...

    AI科技评论
  • 特征工程之特征选择

        特征工程是数据分析中最耗时间和精力的一部分工作,它不像算法和模型那样是确定的步骤,更多是工程上的经验和权衡。因此没有统一的方法。这里只是对一些常用的方法...

    刘建平Pinard
  • 推荐系统中模型训练及使用流程的标准化

    导读:本次分享的主题为推荐系统中模型训练及使用流程的标准化。在整个推荐系统中,点击率 ( CTR ) 预估模型是最为重要,也是最为复杂的部分。无论是使用线性模型...

    Sam Gor

扫码关注云+社区

领取腾讯云代金券