【讀書筆記】特徵工程不再難
本篇文章為 特徵工程不再難：資料科學新手也能輕鬆搞定！ ( Feature Engineering Made Easy. By Sinan Ozdemir, Divya Susarla ) 之個人讀書筆記。 書中有提供程式碼，請見此 Github Repo ，但應該是 Python 2，我下面的程式碼都會改為 Python 3 版本。 特徵工程的評估步驟 先得到機器學習模型的 baseline performance 應用特徵工程 對於每一種特徵工程，獲取一個效能指標並和 baseline 相比較 如果效能的改進大於某個臨界值 (User defined)，則認為這種特徵工程是有益的，並將其部屬到機器學習模型中 效能的改變通常是以百分比(%)為計 (如果 baseline performance 是從 40% 準確率變成 76% 準確率的話，改進就是 76-40 / 40 = 90% 評估監督式學習演算法？迴歸通常用 MSE，分類通常用 Accuracy 或是 AUC 評估非監督式學習演算法？主要用 輪廓係數( silhouette coefficient ) 或是用統計檢定的相關係數、t-test、卡方檢定(Chi-squared tests)以及其他方法來評估並量化原始資料以及轉換後的資料的結果 特徵工程的技巧有哪些 特徵理解 : 學習如何辨識定量(數值型)和定性資料(分類型) 特徵改進 : 清洗和填補缺失值 特徵選擇 : 透過統計方法選擇一部分特徵以減少資料雜訊 特徵建構 : 建構新的特徵，探索特徵之間的互動 特徵轉換 : 提取資料中的隱藏結構，利用數學方法轉換資料集、增強效果 特徵學習 : 以深度學習來對資料進行學習，以此來更加地瞭解資料 特徵理解 資料結構分為結構化和非結構化 結構化資料指的是可明確將觀察值(Row)和特徵(Column)分開的資料 非結構化資料指的是不遵守標準結構 (表格) 的資料 通常判斷資料的第一個問題是，資料是定量還是定性的？ 事實上，資料可以同時是定量和定性的，為了更明確的去區分開來，通常會分為四個等級 定類等級 (nominal level) : 第一個等級，結構最弱，屬於定性資料，比如血型的A、B、O、AB，動物物種和人名，通常可以畫出眾數(mode)以及長條圖(bar plot)、圓餅圖來統計 定序等級 (ordin