在之前格物彙的文章中，我們介紹了工業資料預處理的方法以及特征工程的基本知識，今天要帶大家來了解如何做特征建構。
特征建構常用方法
特征建構的常用方法是屬性分割和結合，這一般根據我們具體的問題所決定。我們通過具體的應用場景來看看：
時間列處理
時間戳屬性通常需要分離成多個次元比如年、月、日、小時、分鐘、秒鐘。通常時間序列資料會含有一定的趨勢和周期性，這時需要我們去建構趨勢因子和周期因子。
分解類别屬性
一些屬性是類别型而不是數值型，舉一個簡單的例子，由{紅，綠、藍}組成的顔色屬性，最常用的方式是把每個類别屬性轉換成二進制屬性，即從{0,1}取一個值。是以基本上增加的屬性等于相應數目的類别，并且對于你資料集中的每個執行個體，隻有一個是1（其他的為0），這也就是獨熱（one-hot)編碼方式。我們在前面的文章中介紹過了，在此不再贅述。
分箱和分區
有時候，将數值型屬性轉換成類别呈現更有意義，同時能使算法減少噪聲的幹擾，通過将一定範圍内的數值劃分成确定的塊。舉個例子，我們預測一個人是否擁有某款衣服，這裡年齡是一個确切的因子。其實年齡組是更為相關的因子，是以我們可以将年齡分布劃分成1-10,11-18,19-25,26-40等年齡段，分别表示 幼兒，青少年，青年，中年四個年齡組，讓相近的年齡組表現出相似的屬性。此外，我們還可以對分箱，分區做一些統計量字段作為資料的特征。
隻有在了解屬性的領域知識的基礎，确定屬性能夠劃分成簡潔的範圍時分區才有意義。即所有的數值落入一個分區時能夠呈現出共同的特征。在實際應用中，當你不想讓你的模型總是嘗試區分值之間是否太近時，分區能夠避免出現過拟合。例如，如果你所感興趣的是将一個城市作為整體，這時你可以将所有落入該城市的次元值進行整合成一個整體。分箱也能減小小錯誤的影響，通過将一個給定值劃入到最近的塊中。如果劃分範圍的數量和所有可能值相近，或對你來說準确率很重要的話，此時分箱就不适合了。
交叉特征
交叉特征是特征工程中重要的方法之一，交叉特征是一種很獨特的方式，它将兩個或更多的類别屬性組合成一個。當組合的特征要比單個特征更好時，這是一項非常有用的技術。數學上來說，是對類别特征的所有可能值進行交叉相乘。當然我們不僅僅會去查找交叉項關系，還可以去尋找更加複雜的二次項，三次項乃至更複雜的關系，這根據問題求解的需要決定。
經度與緯度的組合便是交叉特征的應用執行個體，一個相同的經度對應了地圖上很多的地方，緯度也是一樣。但是一旦你将經度和緯度組合到一起，它們就代表了地理上特定的一塊區域，區域中每一部分是擁有着類似的特性。
小結
一般我們會收集與問題相關的資料作為我們的特征，但是這些特征有時不足以解釋我們的問題，我們還是會通過特征建構來增加解釋能力。這其實是對資料進行升維操作，總的來說，特征建構可以給我們的模型提供一些關鍵的資訊，來解決模型解釋能力不足的情況。但如果我們收集的資料包含了過多的特征，如何對這些特征進行提純呢？請繼續關注格物彙，我們将在之後的文章中詳細講解。
本文作者：格創東智 OT團隊（轉載請注明作者及來源）