在机器学习领域从事理论研究或者研发的同学，对“特征工程”这个词应该非常熟悉，但被问到什么是特征时，不同的人可能会给出不同的答案。本文尝试从非技术角度对“特征”这个词进行解释，在展开之前，我们先思考一个问题：生活中，我们是采用什么样的表达方式来描述周边事物的？
容易想到的示例有：使用“时分秒”描述时间、“米”表示长度、“红黄蓝”代表颜色，等等。接下我们追问一句，是谁首先定义或者使用这些术语的，能不能换一种表达方式，譬如用“秒”来代替“米”作为长度单位呢？
80年代之前，“米”的定义如下：以巴黎子午线为基准，赤道到与北极点之间距离的1/1000W为一米；80年代之后，“米”的定义修改为：光在1/299792458秒内前进的距离。
按上述对“米”这个概念的定义，我们是可以使用时间来定义长度的，将“1/299792458秒”重定义为一个术语即可，只是还没有人开始这么做而已。电子显示技术出现之前，人们通常使用“红黄蓝”来描述颜色，而随着数字技术的发展，在某些领域人们已经习惯使用数字（RGB）来更精确的定义颜色。
上述两个案例说明，很多的术语定义，不是天生就是那样的，随着时代的变化是可以改变的。同样的，不同的领域，基于实际需要，某些表达方式也是可以变换的。特征工程与这种变换紧密有关，但不是全部。
语言是人类互相沟通最重要的工具，它承载了人类的历史、文化、风俗习惯，等等。语言本身是一套复杂的符号系统，这套系统随着人类的发展而不断的进化，它非常适合人类的思维方式。如果把每一个算法看作一个小的硅基生命体，人类语言并不总是适合作为与硅基世界沟通的工具，另一方面，我们需要算法帮助我们人类解决一些实际问题，所以需要一座桥梁，将与待解决问题相关的、必要的信息或数据转换为机器算法能够理解的形式，这座桥梁就是特征工程，特征就是算法能够接受的信息。
从以上描述可知，特征有两个重要的要素：
- 需要传达的信息或数据要与问题相关，那“相关”的判断标准是谁定呢？业务专家！
- 以合适的表达方式向算法传递信息。
对于第一个要素，有关业务专家的讨论不
属于技术问题，在这我们只谈技术，所以接下来使用两个小示例对第二个要素进行阐述：
示例一、每个算法都有自己的语言理解能力
有的算法只精通数字，语文基本不会；有的算法只会区分这是苹果那是香蕉； 而有的算法，还能知道从几个苹果里挑一个大的出来。对于只精通数字的算法，就需要把“红黄蓝”这样的信息表达形式转换为数字才可以，这是一个编码问题，不同的应用场景，具体处理方式存在很大的差别，这个在后面的文章里会进行更详细的讨论。这个示例说明，特征工程并没有一个统一的标准，与选择的算法有关，而算法的选择又与当前需要被解决的问题相关。
示例二、人类语言是文化的一个载体，一个文字符号后面往往隐藏着丰富的信息
此类情况相比前一个示例，事情要复杂困难得多，因为很多隐信息已成为人自身组成的一部分。我们见到“2018年9月24日”这串字符时，不需要思考就能自动提取出“年月日”这些信息，如果思考一下，还能解析出中秋节、放假、月饼等等此类隐信息。而对于算法呢，如果不进行指导，就只能停留在字符串阶段，所以需要人主动将这个字符串解释成“年月日”三类信息，做到这一步，还不够，你还需要将“一周的开始、中秋节、当月的最后一个周一，不是当月最后一天”，等等信息知会到算法。只有这样，算法在思考问题时，才会考虑到各种因素对最终答案的影响。日期这个示例是相对容易简单的，进行特征工程时不需要太多的思考。实际研发时，识别隐藏在具体业务后面的隐信息是一种具大的挑战，这是业务专家的价值所在。
上述两个小示例，只是说明了将信息传达给算法有多么因难，但这还不够。不同人类语言之间的翻译讲究“信达雅”，这个原则对于硅基世界同样适用，总体而言，算法思考过程中，不太适应过于夸张、对比强烈的信息表达方式，这也是在进行特征工程时需要重点考虑的一个因素，我们再举个小例子：
第一天你住在海边一个星级度假酒店，住宿费2000元一晚，矿泉水20元一瓶你就不会觉得贵，第二天回程路上的你，住在一家快捷酒店，200元一晚，再卖你20元一瓶的水，你就会觉得很贵。度假酒店场景下20元不是事，同样的你，第二天为什么对同样的20元敏感呢？算法也是一样，你用不同范围的数字表达不同的信息时，如果相差很大，算法也会无视20元矿泉水的存在，但这往往不是我们想要的，所以数值归一化这个技巧非常重要。
最后做个小结，特征是什么？用软件研发人员的话说，特征就是一种属性或者数据表字段，它可以直接使用当前已有的属性，根据需要也可以创造新的属性，最终目的就是两个：
- 有助于数据分析师理解问题。
- 有助于算法更好的运行。
特征工程，涉及到的知识点非常多，不过下期的文章，我们先聊下与数据自身相关的话题，然后再回到特征工程，这有助于更好的理解相关的技术细节。我们下期见！