深度学习中的特征工程——不同数据类型与采用的处理方式

之前关于特征工程的blog：https://blog.csdn.net/qq_33472765/article/details/86422199

什么是特征工程？

顾名思义，特征工程是一种工程活动，目的是从原始数据中最大限度的提取出能表征原始数据信息的特征。数据和特征决定了机器学习的上限，算法和模型不过是逼近这个上限。不过深度学习不用像传统机器学习那样人为合成高级复杂特征，只需利用人类的先验知识处理一阶特征，后面深度学习会自己学习到相关的复杂特征。

数据类型

不同的数据有不同的数据类型，而不同数据类型的数据处理方式也不同

• • 离散型数据
    在进行机器学习或深度学习的建模中，总会碰到离散型数据，比如 性别：男，女；比如学历：高中，大学，硕士，博士。一般来说，对离散型的数据有以下几种处理方式：
    • One-Hot Encoding(若特征种类很多，高稀疏化)
    • Hash Encoding(低稀疏，高压缩)
    • embedding(注意比较与Hash Encoding 的区别,NLP常用)
    • 基于计数的encoding
    • 特殊情况：当输入是0,1的二值信号，而且0是对所模拟的模型是有作用的，那么这时候采用flatten的战术，即0变成0,1 ，1变成1,0 。比如原来64个输入特征，flatten后变成128个特征，实例参考建模攻击PUF的相关项目。注意flatten和one-hot有本质区别，一个是扩展特征的长度，一个是扩展特征的维度。
      • 连续型数据
        除了分类这样的离散数据，我们也会碰到诸如身高，学习成绩，资金等连续型的数据。对于连续型数据，有以下的处理方式：
        • 缺失数据处理：在收集来的数据中，往往会出现某处数据为空不存在的情况。一般处理方式有填0处理，填NAN处理，平均值或中位值处理等。没有特殊情况的话，一般不推荐填0处理，0和空相差的意义较大，0是有意义的。
        • 归一化：归一化与标准化的区别：标准化是依照特征矩阵的列处理数据，其通过求z-score的方法，将样本的特征值转换到同一量纲下。归一化是依照特征矩阵的行处理数据，其目的在于样本向量在点乘运算或其他核函数计算相似性时，拥有统一的标准，也就是说都转化为“单位向量”。
        • 离散化：将连续值分区，某个分区内的数据均为某个分类值。例如个人资产为连续值，处理后 个人资产小于100W为普通阶级，个人资产100W-1000W为中产阶级，个人资产1000W以上为富人阶级等。某些情况下若取值跨度太大或者太小，可以取对数或者开方平方等处理后再离散化。
      • 时间数据
        时间数据本质上也还是一种连续数据，但是有一些特殊的地方，比如时区，比如周期性。因此处理时尤其要注意特殊节假日，时区等问题。
      • 空间数据
        例如经纬度，地址，邮编等，比较不规范，根据具体情况进行处理

        Reference

        1. 详解特征工程与推荐系统
        2. 特征工程到底是什么？
        3. 数据预处理: One-Hot Encoding