问这是一个很好的特色工程实践吗？

EN

1)是的，这是有道理的。尝试手动创建特征将帮助学习者(即模型)从原始数据中获取更多的信息，因为原始数据并不总是以一种易于学习的形式出现，但是您可以从原始数据中构造出适合于学习的特征。您要添加的功能基于一个功能。这很常见。然而，你的学习者，逻辑回归，是敏感的多重共线性。您需要小心哪些特性和要添加多少功能。否则，你的模型可能会过分合适。

2)由于使用的是logistic回归，所以在添加新结构之前，可以使用AIC或进行统计显着性检验，如卡方检验(检验拟合的优度)，以确定在这种结构下响应的分布是否存在差异。当您的数据缺乏时，这一点尤其有用。另一种方法是在模型中添加惩罚条款。例如，逻辑套索回归。

3)不断增加新特性并不总是一个好主意。小心高维的诅咒。添加新功能时，实际上是在数据上添加一个新维度。天真地，人们可能会认为收集更多的特性不会有任何伤害，因为在最坏的情况下，它们没有提供有关类的新信息。但事实上，他们的利益可能被维度的诅咒所压倒。我希望关于机器学习的有用知识 session6能帮上忙。

通常，特征越丰富越好。

但是，要记住的一点是，一般来说，回归并不能很好地处理高度相关(多重共线性)数据。当您以这种方式扩展您的功能时，您可能需要记住这一点。

有很多关于这个主题的信息(以及潜在的缓解方法)，只是google的回归和多重共线性。

总之,

1. 是。最绝对的。
2. @n1k31t4有一些好的建议。您可以自由地生成您认为将改进模型的特性，然后您可以使用PCA和其他特性选择技术来限制自己的重要性。
3. 另一件要考虑的事情是，它在努力和结果之间是多么的实际。

特征是模型的信息。信息越多，它就能越好地执行和预测。它越小，预测价值就越难。所以短的naser是肯定的。拥有尽可能多的特性总是值得的。这是有限制的，虽然，因为信息过载也可能烧掉您的处理器，所以要注意有多少功能正在被设计。此外，不必要的特性只会增加倦怠，所以清理某些特性总是很好的做法。整个数据预处理阶段就是这样。

第一个答案有一些很好的细节。至于停止循环，有几个措施和因素，您需要知道，以检查您的模型已经停止更好的表现，这些是措施，如RMSE。一个简单的例子是对数据使用xgboost回归并指定周期数。运行模型，您将得到每个周期的RMSE。它将下降到一个极限，在此之后，您将能够推断模型在某个周期之后已经稳定下来。这就是模型调优和优化的工作方式。