表示 (Representation)
机器学习模型不能直接看到、听到或感知输入样本。您必须创建数据
表示
，为模型提供有用的信号来了解数据的关键特性。也就是说，为了训练模型，您必须选择最能代表数据的特征集。从原始数据中提取特征的过程称为特征工程。实践中，机器学习从业人员大约将75%的时间花在特征工程上面，特征就是我们要的东西。传统编程的关注点是代码。在机器学习项目中，关注点变成了表示。也就是说，开发者通过添加和改善特征来调整模型。
将原始数据映射到特征
图 1 左侧表示来自输入数据源的原始数据，右侧表示
特征矢量
，也就是组成数据集中样本的浮点值集。
特征工程
指的是将原始数据转换为特征矢量。进行特征工程预计需要大量时间。
机器学习模型通常期望样本表示为实数矢量。这种矢量的构建方法如下：为每个字段衍生特征，然后将它们全部连接到一起。
图 1. 程序工程将原始数据映射到机器学习特征。
映射数值
机器学习模型根据浮点值进行训练，因此整数和浮点原始数据不需要特殊编码。正如图 2 所示，将原始整数值 6 转换为特征值 6.0 是没有意义的：
映射字符串值
模型无法通过字符串值学习规律，因此您需要进行一些特征工程来将这些值转换为数字形式：
首先，为您要表示的所有特征的字符串值定义一个词汇表。对于
注意：所有其他街道都可以归入一个笼统的“其他”类别，该类别称为 OOV（未收录到词汇表中）桶。street_name特征，该词汇表中将包含您知道的所有街道。然后，使用该词汇表创建一个独热编码，用于将指定字符串值表示为二元矢量。在该矢量（与指定的字符串值对应）中：
- 只有一个元素设为
1。 - 其他所有元素均设为
0。
该矢量的长度等于词汇表中的元素数。
- 只有一个元素设为
图 3 显示了某条特定街道 (Shorebird Way) 的独热编码。在此二元矢量中，代表 Shorebird Way 的元素的值为 1，而代表所有其他街道的元素的值为 0。
图 3. 通过独热编码映射字符串值。
映射分类（枚举）值
分类特征具有一组离散的可能值。例如，名为 Lowland Countries 的特征只包含 3 个可能值：
{'Netherlands', 'Belgium', 'Luxembourg'}
您可能会将分类特征（如 Lowland Countries）编码为枚举类型或表示不同值的整数离散集。例如：
- 将荷兰表示为 0
- 将比利时表示为 1
- 将卢森堡表示为 2
不过，机器学习模型通常将每个分类特征表示为单独的布尔值。例如，Lowland Countries 在模型中可以表示为 3 个单独的布尔值特征：
- x1：是荷兰吗？
- x2：是比利时吗？
- x3：是卢森堡吗？
采用这种方法编码还可以简化某个值可能属于多个分类这种情况（例如，“与法国接壤”对于比利时和卢森堡来说都是 True）。