第2章 数据预处理与特征工程

特征是原始数据的数学表示，在机器学习流水线中位于数据和模型之间。一些模型更适合某些类型的特征，反之亦然。因此，合适的特征应该与当前的机器学习任务相关并且容易被模型获取。特征工程指的是从数据中提取特征，将原始数据转换为适合机器学习模型的格式，并为模型和任务制定最佳特征的过程。特征工程是机器学习流水线中关键的一步，因为合适的特征可以降低建模的复杂度，并使机器学习流水线产出更高质量的预测结果。

机器学习领域有一句格言：“数据与特征工程决定了模型的上限，改进算法只不过是逼近这个上限而已。”然而，尽管数据的预处理与特征工程很重要，却也很少有对这个话题的单独讨论。因为正确且适合的特征的确定是与模型和数据的背景息息相关的，而且数据和模型如此多样化，所以很难概括出通用的机器学习流水线中的特征工程实践。