《百面机器学习》笔记-特征工程相关面试题

1. 什么是特征工程

对数据进行一系列处理构成特征输入给模型

例如，我们想让机器识别这个图片是不是苹果，可以选择形状，颜色分布，边来作为feature：

特征越好，模型的性能越好，而且可以不用很复杂的数学模型也能达到不错的效果

特征工程的目的

去掉数据中的杂质
构造更高级的高效的特征来描述数据。

怎么做特征工程？

特征工程一般包括三个子模块：特征构建->特征提取->特征选择

特征构建：根据原始数据构建新的特征，需要找出一些具有物理意义的特征。
特征提取：自动地构建新的特征，将原始特征转换为一组具有明显物理意义或者统计意义或核的特征。例如 Gabor、几何特征、纹理等。

常用的方法有：

PCA (Principal component analysis，主成分分析)
ICA (Independent component analysis，独立成分分析)
LDA （Linear Discriminant Analysis，线性判别分析）

特征选择：从特征集合中挑选一组最具统计意义的特征子集，把无关的特征删掉，从而达到降维的效果

常用的方法：

filter 方法：Pearson相关系数，Gini-index（基尼指数），IG（信息增益）等

wrapper ：有逐步回归（Stepwise regression 递归特征消除法）、向前选择（Forward selection）和向后选择（Backward selection）等

Embeded ：Regularization（基于L1，L2惩罚项的特征选择法），或者使用决策树思想，Random Forest和Gradient boosting等

2. 两种常用的数据类型

结构化数据

即每一行数据表示一个样本，每列都有清晰的定义

有数值型、类别型两种基本类型

非结构化数据

主要包括文本、图像、音频、视频数据

无法用一个简单的数值表示，每条数据的大小各不相同

3. 为什么需要对数值类型的特征做归一化？

什么是特征归一化？

将所有的特征都统一到一个大致相同的数值区间内。

如何进行归一化？

Min-Max Scaling

结果映射到[0, 1]之间

公式：
Z-Score Normalization

将原始数据映射到均值为 0、标准差为 1 的分布上

公式：

为什么要进行归一化？

例如，身高特征会在 1.6～1.8m 范围，体重特征会在 50～100kg 的范围，体重特征会对问题有更大的影响

理论上看

因为特征的数值范围不同的话，会影响梯度下降的速率

如果将目标函数的等值图画出来，数值范围大的特征，那个方向会需要更多次的迭代才能找到最优解。

如果将每个特征的范围转化成一致的，那么等值图的图形会是一个圆形，梯度下降在各个方向的速率是一样的，可以更快地找到最优解。

什么时候需要进行归一化？

通常在需要用到梯度下降法的时候。

包括线性回归、逻辑回归、支持向量机、神经网络等模型。
决策树模型就不适用

例如 C4.5 ，主要根据信息增益比来分裂，归一化不会改变样本在特征 x 上的信息增益

4. 类别型特征

什么是类别型特征？

例如：性别（男、女）、血型（A、B、AB、O）

通常是字符串形式，需要转化成数值型，传递给模型

如何处理类别型特征？

序号编码（Ordinal Encoding）

例如学习成绩有高中低三档，也就是不同类别之间关系。

这时可以用321来表示，保留了大小关系。
独热编码（One-hot Encoding）

例如血型，它的类别没有大小关系。A 型血表示为（1, 0, 0, 0），B 型血表示为（0, 1, 0, 0）……
二进制编码（Binary Encoding）

第一步，先用序号编码给每个类别编码

第二步，将类别 ID 转化为相应的二进制

例如，B 型血的 ID 为 2，二进制表示为 010

优点：这种方法得到的结果维数少于独热编码