当前位置: 首页 > article >正文

特征工程:从数据到特征

特征工程从数据到特征1. 技术分析1.1 特征工程流程特征工程是机器学习的核心环节特征工程流程 数据理解 → 特征提取 → 特征选择 → 特征转换 → 特征验证1.2 特征类型类型描述处理方法数值型连续数值归一化、标准化分类型类别标签独热编码、标签编码文本型文本数据TF-IDF、Word2Vec时间型时间数据时间差、周期性特征空间型地理数据距离计算、网格编码1.3 特征选择方法特征选择方法 过滤法: 基于统计指标 包裹法: 基于模型性能 嵌入法: 基于模型内部特征2. 核心功能实现2.1 特征提取import pandas as pd import numpy as np from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.preprocessing import OneHotEncoder, StandardScaler class FeatureExtractor: def __init__(self): self.extractors {} def add_extractor(self, name, extractor): self.extractors[name] extractor def extract(self, data): features {} for name, extractor in self.extractors.items(): if hasattr(extractor, fit_transform): features[name] extractor.fit_transform(data) else: features[name] extractor(data) return features class NumericalFeatureExtractor: def __init__(self, columnsNone): self.columns columns self.scaler StandardScaler() def fit_transform(self, df): if self.columns: data df[self.columns] else: data df.select_dtypes(include[np.number]) return self.scaler.fit_transform(data) def transform(self, df): if self.columns: data df[self.columns] else: data df.select_dtypes(include[np.number]) return self.scaler.transform(data) class CategoricalFeatureExtractor: def __init__(self, columnsNone): self.columns columns self.encoder OneHotEncoder(sparseFalse, handle_unknownignore) def fit_transform(self, df): if self.columns: data df[self.columns] else: data df.select_dtypes(include[object]) return self.encoder.fit_transform(data) def transform(self, df): if self.columns: data df[self.columns] else: data df.select_dtypes(include[object]) return self.encoder.transform(data) class TextFeatureExtractor: def __init__(self, column, max_features5000): self.column column self.vectorizer TfidfVectorizer(max_featuresmax_features) def fit_transform(self, df): return self.vectorizer.fit_transform(df[self.column]).toarray() def transform(self, df): return self.vectorizer.transform(df[self.column]).toarray()2.2 特征选择from sklearn.feature_selection import SelectKBest, mutual_info_classif, RFE from sklearn.ensemble import RandomForestClassifier class FeatureSelector: def __init__(self, methodfilter, k10): self.method method self.k k self.selector None def fit(self, X, y): if self.method filter: self.selector SelectKBest(score_funcmutual_info_classif, kself.k) elif self.method rfe: estimator RandomForestClassifier() self.selector RFE(estimator, n_features_to_selectself.k) self.selector.fit(X, y) def transform(self, X): return self.selector.transform(X) def get_selected_features(self): if hasattr(self.selector, get_support): return self.selector.get_support(indicesTrue) return self.selector.ranking_ class FeatureImportanceAnalyzer: def __init__(self, model): self.model model def analyze(self, X, y, feature_names): self.model.fit(X, y) if hasattr(self.model, feature_importances_): importances self.model.feature_importances_ elif hasattr(self.model, coef_): importances np.abs(self.model.coef_[0]) else: return None indices np.argsort(importances)[::-1] return [(feature_names[i], importances[i]) for i in indices] class DimensionalityReducer: def __init__(self, methodpca, n_components2): self.method method self.n_components n_components if method pca: from sklearn.decomposition import PCA self.reducer PCA(n_componentsn_components) elif method tsne: from sklearn.manifold import TSNE self.reducer TSNE(n_componentsn_components) elif method umap: import umap self.reducer umap.UMAP(n_componentsn_components) def fit_transform(self, X): return self.reducer.fit_transform(X) def transform(self, X): return self.reducer.transform(X)2.3 特征验证class FeatureValidator: def __init__(self): pass def check_missing_values(self, df): missing df.isnull().sum() return missing[missing 0] def check_cardinality(self, df, threshold100): high_cardinality [] for col in df.columns: if df[col].nunique() threshold: high_cardinality.append(col) return high_cardinality def check_feature_correlation(self, df, threshold0.8): corr_matrix df.corr().abs() high_corr [] for i in range(len(corr_matrix.columns)): for j in range(i): if corr_matrix.iloc[i, j] threshold: high_corr.append((corr_matrix.columns[i], corr_matrix.columns[j], corr_matrix.iloc[i, j])) return high_corr class FeatureDriftDetector: def __init__(self): pass def detect_drift(self, reference_data, current_data, threshold0.05): drift_scores [] for col in reference_data.columns: if reference_data[col].dtype in [int64, float64]: ref_mean reference_data[col].mean() curr_mean current_data[col].mean() diff abs(ref_mean - curr_mean) / ref_mean if diff threshold: drift_scores.append((col, diff)) return drift_scores class FeatureStore: def __init__(self): self.features {} def add_feature(self, name, feature): self.features[name] feature def get_feature(self, name): return self.features.get(name) def save(self, path): import pickle with open(path, wb) as f: pickle.dump(self.features, f) classmethod def load(cls, path): import pickle with open(path, rb) as f: features pickle.load(f) store cls() store.features features return store3. 性能对比3.1 特征选择方法对比方法计算速度效果适用场景Filter快中高维数据RFE慢高中等维度Embedded中高通用3.2 降维方法对比方法保留信息计算速度可视化效果PCA高快中t-SNE中慢高UMAP高中高3.3 特征编码方法对比方法维度扩展处理速度适用场景One-Hot高快低基数Label无快有序类别Embedding可控中高基数4. 最佳实践4.1 特征工程流程def build_feature_pipeline(config): extractors [] if config.get(numerical, True): extractors.append(NumericalFeatureExtractor()) if config.get(categorical, True): extractors.append(CategoricalFeatureExtractor()) if config.get(text, False): extractors.append(TextFeatureExtractor(text)) return extractors class FeatureEngineeringPipeline: def __init__(self, extractors, selectorNone, reducerNone): self.extractors extractors self.selector selector self.reducer reducer def fit_transform(self, data): features [] for extractor in self.extractors: features.append(extractor.fit_transform(data)) X np.hstack(features) if self.selector: self.selector.fit(X, data[target]) X self.selector.transform(X) if self.reducer: X self.reducer.fit_transform(X) return X def transform(self, data): features [] for extractor in self.extractors: features.append(extractor.transform(data)) X np.hstack(features) if self.selector: X self.selector.transform(X) if self.reducer: X self.reducer.transform(X) return X4.2 特征验证流程class FeatureValidationPipeline: def __init__(self): self.validator FeatureValidator() self.drift_detector FeatureDriftDetector() def validate(self, df): issues {} missing self.validator.check_missing_values(df) if len(missing) 0: issues[missing_values] missing.to_dict() high_card self.validator.check_cardinality(df) if len(high_card) 0: issues[high_cardinality] high_card high_corr self.validator.check_feature_correlation(df) if len(high_corr) 0: issues[high_correlation] high_corr return issues def detect_drift(self, reference, current): return self.drift_detector.detect_drift(reference, current)5. 总结特征工程是机器学习成功的关键特征提取从原始数据中提取有价值的特征特征选择选择最有信息量的特征特征验证确保特征质量特征存储管理和复用特征对比数据如下UMAP 在降维可视化上效果最好RFE 特征选择效果最佳但速度较慢One-Hot 编码适合低基数类别特征推荐使用特征存储系统管理特征

相关文章:

特征工程:从数据到特征

特征工程:从数据到特征 1. 技术分析 1.1 特征工程流程 特征工程是机器学习的核心环节: 特征工程流程数据理解 → 特征提取 → 特征选择 → 特征转换 → 特征验证1.2 特征类型 类型描述处理方法数值型连续数值归一化、标准化分类型类别标签独热编码、…...

强化学习在推测执行漏洞挖掘中的应用与实践

1. 推测执行漏洞与安全挑战现代处理器中的推测执行技术通过预测分支路径提前执行指令,大幅提升了指令级并行性。当处理器遇到条件分支时,它会根据历史记录预测分支走向,并提前执行预测路径上的指令。如果预测正确,可以节省约10-15…...

计网实验一

课程实验报告专 业:物联网工程 班 级:2303学 号:231040700302 姓 名:杜子健实验名称:实验一实验类型:实验实验日期:2025年11月12日一 实…...

WSA Toolbox:Windows 11上5分钟搭建Android应用生态的终极指南

WSA Toolbox:Windows 11上5分钟搭建Android应用生态的终极指南 【免费下载链接】wsa-toolbox A Windows 11 application to easily install and use the Windows Subsystem For Android™ package on your computer. 项目地址: https://gitcode.com/gh_mirrors/ws…...

XUnity.AutoTranslator完整指南:让外语游戏瞬间变中文的免费神器

XUnity.AutoTranslator完整指南:让外语游戏瞬间变中文的免费神器 【免费下载链接】XUnity.AutoTranslator 项目地址: https://gitcode.com/gh_mirrors/xu/XUnity.AutoTranslator 还在为语言障碍而无法畅玩海外Unity游戏吗?XUnity.AutoTranslator…...

AGENTS.md:为AI编码助手定制的项目说明书,提升人机协作效率

1. 项目概述:为什么你的项目需要一个“AI专属说明书”?如果你最近在尝试用GitHub Copilot、Cursor或者Claude Code来辅助开发,大概率遇到过这样的场景:你满怀期待地给AI下达一个指令,比如“帮我给这个React组件添加一个…...

离散化离散化差分

数组开不了1e9&#xff0c;但是好在坐标点会很分散&#xff0c;那么相当于将点“挤到”1-n的位置&#xff0c;一个位置映射了一个坐标点&#xff0c;排序后&#xff0c;坐标的相对位置并不发生改变&#xff0c;离散化由此得来。#include<bits/stdc.h> #define int long l…...

开源项目发布自动化:GitHub与ClawHub技能包一键发布工具详解

1. 项目概述与核心价值如果你和我一样&#xff0c;经常需要将本地开发的项目&#xff0c;尤其是那些为ClawHub平台准备的技能包&#xff0c;发布到GitHub并同步推送到ClawHub技能市场&#xff0c;那你一定对下面这个场景不陌生&#xff1a;每次发布前&#xff0c;都要在脑子里重…...

5个高效处理PDF的Windows命令行工具:Poppler完整解决方案

5个高效处理PDF的Windows命令行工具&#xff1a;Poppler完整解决方案 【免费下载链接】poppler-windows Download Poppler binaries packaged for Windows with dependencies 项目地址: https://gitcode.com/gh_mirrors/po/poppler-windows 在Windows平台上处理PDF文档时…...

Display Driver Uninstaller:Windows显卡驱动终极清理方案

Display Driver Uninstaller&#xff1a;Windows显卡驱动终极清理方案 【免费下载链接】display-drivers-uninstaller Display Driver Uninstaller (DDU) a driver removal utility / cleaner utility 项目地址: https://gitcode.com/gh_mirrors/di/display-drivers-uninstal…...

基于Remix与React构建隐私优先的订阅费用追踪器Subs

1. 项目概述&#xff1a;一个纯粹、高效的订阅费用追踪器在数字订阅服务泛滥的今天&#xff0c;你是否也常常感到困惑&#xff1a;每个月到底有多少笔自动扣款&#xff1f;Netflix、Spotify、各种云服务、会员费……这些零散的费用加起来&#xff0c;一年可能是一笔不小的开销。…...

专业指南:高效在ARM设备上运行x86_64程序的完整解决方案

专业指南&#xff1a;高效在ARM设备上运行x86_64程序的完整解决方案 【免费下载链接】box64 Box64 - Linux Userspace x86_64 Emulator with a twist, targeted at ARM64, RV64 and LoongArch Linux devices 项目地址: https://gitcode.com/gh_mirrors/bo/box64 你是否正…...

QMCDecode:让QQ音乐加密文件重获自由的Mac专属工具

QMCDecode&#xff1a;让QQ音乐加密文件重获自由的Mac专属工具 【免费下载链接】QMCDecode QQ音乐QMC格式转换为普通格式(qmcflac转flac&#xff0c;qmc0,qmc3转mp3, mflac,mflac0等转flac)&#xff0c;仅支持macOS&#xff0c;可自动识别到QQ音乐下载目录&#xff0c;默认转换…...

基于Next.js urborepo的企业级电商全栈架构实战解析

1. 项目概述与核心价值最近在梳理企业级电商项目的技术选型与架构方案&#xff0c;发现了一个非常值得深入研究的开源项目——Blazity/enterprise-commerce。这不仅仅是一个简单的电商模板&#xff0c;而是一个基于Next.js 14、TypeScript和Turborepo构建的现代化、全栈式企业级…...

QMCDecode终极指南:一键解锁QQ音乐加密音频的完整解决方案

QMCDecode终极指南&#xff1a;一键解锁QQ音乐加密音频的完整解决方案 【免费下载链接】QMCDecode QQ音乐QMC格式转换为普通格式(qmcflac转flac&#xff0c;qmc0,qmc3转mp3, mflac,mflac0等转flac)&#xff0c;仅支持macOS&#xff0c;可自动识别到QQ音乐下载目录&#xff0c;默…...

支持多渠道的语音机器人 2026 企业选型攻略:智能核心引擎

在客户体验驱动业务增长的时代&#xff0c;企业热线早已不是“有人接电话”那么简单。随着大模型技术与通信系统的深度融合&#xff0c;多渠道语音机器人正从传统的“按键导航”进化为能够理解情绪、动态决策的智能客服专家。2026年&#xff0c;如何选择一款真正适配业务场景、…...

5分钟掌握RePKG:Wallpaper Engine资源提取与格式转换的终极秘籍

5分钟掌握RePKG&#xff1a;Wallpaper Engine资源提取与格式转换的终极秘籍 【免费下载链接】repkg Wallpaper engine PKG extractor/TEX to image converter 项目地址: https://gitcode.com/gh_mirrors/re/repkg 你是否曾经面对Wallpaper Engine中的PKG资源包感到无从下…...

基于C语言实现(控制台)小型文件系统

♻️ 资源 大小&#xff1a; 3.40MB ➡️ 资源下载&#xff1a;https://download.csdn.net/download/s1t16/87430288 小型文件系统 一、需求分析 1.1 小型文件系统介绍 科技的进步已将人类带入了信息大爆炸的时代&#xff0c;随着计算机科学技术的不断发展&#xff0c;计算…...

开源首发:DocCenter — AI 时代的 HTML工作台深度解析

Tags&#xff1a;Python aiohttp 开源项目 AI工具 前端工程 工具分享 Claude ChatGPT 专栏&#xff1a;「工具开源」/「DocCenter」 一、痛点&#xff1a;AI 时代的文档散落病 过去一年&#xff0c;我每天被 AI 生成的 HTML 文件淹没。 Claude artifacts 一天 20 个、ChatGPT…...

React Hook useVibe:声明式时序管理与交互感知的工程实践

1. 项目概述&#xff1a;一个能“感知”用户意图的React Hook 最近在做一个需要深度交互的前端项目&#xff0c;遇到了一个挺有意思的痛点&#xff1a;如何让UI组件不只是被动地响应事件&#xff0c;而是能更“聪明”地理解用户的交互意图&#xff0c;甚至预判下一步操作&#…...

开源首发:DocCenter — 本地 HTML 工作台,治好 AI 时代的文档散落病

Tags&#xff1a;Python aiohttp 开源项目 AI工具 前端工程 全栈 工具分享 一、痛点&#xff1a;AI 时代的文档散落病 &#xff08;对比传统文档管理 vs AI 生成文档的区别&#xff0c;说明为什么 VSCode/Notion 都不合适&#xff09; 二、技术选型&#xff1a;为什么是单 Pyth…...

从手机解锁合法化看DMCA、消费者权利与设备所有权的博弈

1. 从“越狱”到合法化&#xff1a;一场关于设备所有权的消费者权利运动2013年初&#xff0c;如果你在美国买了一部合约机&#xff0c;然后想把它带到另一家运营商使用&#xff0c;你面临的不仅仅是不兼容的技术问题&#xff0c;还可能是一项重罪——最高五年的监禁和五十万美元…...

测试环境搭建指南:从零开始构建完善的测试体系

测试环境搭建指南&#xff1a;从零开始构建完善的测试体系 前言 各位前端小伙伴&#xff0c;不知道你们有没有这样的经历&#xff1a;在自己电脑上测试好好的&#xff0c;一到CI环境就各种失败。 我曾经因为测试环境和生产环境不一致&#xff0c;导致线上出现了一个严重bug。后…...

终极指南:如何在Mac上快速安装配置DistroAV网络视频插件 [特殊字符]

终极指南&#xff1a;如何在Mac上快速安装配置DistroAV网络视频插件 &#x1f680; 【免费下载链接】obs-ndi DistroAV (formerly OBS-NDI): NDI integration for OBS Studio 项目地址: https://gitcode.com/gh_mirrors/ob/obs-ndi 想要在多台电脑之间轻松传输高质量的音…...

LinkedIn Liger Kernel:移动设备内核定制与性能优化实战

1. 项目概述&#xff1a;一个面向移动设备的开源内核探索如果你在移动设备开发、嵌入式系统或者内核研究的圈子里待过一段时间&#xff0c;大概率听说过或者接触过“Liger Kernel”这个名字。它不是一个商业产品&#xff0c;而是一个在GitHub上由LinkedIn开源并维护的Android内…...

RAG和向量索引

为特定用例设计代理时&#xff0c;需要确保语言模型已建立基础并使用与用户所需内容相关的事实信息。 虽然语言模型针对大量数据进行了训练&#xff0c;但它们可能无权访问你想要向用户提供的知识。 若要确保代理基于特定数据提供准确且特定于域的响应&#xff0c;可使用检索增…...

做电力仪器选显示屏踩坑3年,终于摸透这四个选型标准

我是电力仪器设备厂的生产测试主管&#xff0c;干这行快7年了&#xff0c;前前后后负责过继保测试仪、变比测试仪、互感器校验仪等七八款产品的配件选型&#xff0c;光显示屏就换过四家供应商&#xff0c;踩过强电磁下跳数、低温黑屏、交期拖垮项目的坑&#xff0c;直到用上恒域…...

10个免费Illustrator脚本:让你的设计效率提升300%的终极工具集

10个免费Illustrator脚本&#xff1a;让你的设计效率提升300%的终极工具集 【免费下载链接】illustrator-scripts Adobe Illustrator scripts 项目地址: https://gitcode.com/gh_mirrors/il/illustrator-scripts 如果你经常使用Adobe Illustrator进行设计工作&#xff0…...

系统稳定性测试利器:Roast烤机工具原理与实践指南

1. 项目概述&#xff1a;一个为“烤”而生的开源工具最近在折腾一些自动化任务时&#xff0c;发现了一个挺有意思的开源项目&#xff0c;叫sumleo/roast。光看名字&#xff0c;你可能会联想到“烤肉”&#xff0c;但在程序员的世界里&#xff0c;这个“roast”可不是让你去烧烤…...

Windows 一键部署 OpenClaw 教程|5 分钟搭建本地 AI 智能体,轻松搞定复杂配置

OpenClaw 2.7.1 接入阿里云百炼超详细图文教程 &#x1f4cb; 前置准备 本地已安装并能正常运行 OpenClaw 2.7.1 WindowsOpenClaw 顶部 Gateway 保持在线状态拥有可正常登录的阿里云账号网络可正常访问阿里云百炼控制台&#xff1a; https://bailian.console.aliyun.com/cn-be…...