滿打滿算，還有十天左右就要過年了，這些天大家或多或少都有點浮躁。反過來想，趁大家都懈怠的時候，正是學習的最佳時機。趁著這幾天，也給自己加點碼，去認真的再看一下特征工程。我給自己列了下面的這一份學習清單，也會在過年前后逐一分享給大家。

《特征工程系列二，顯性特征的基本處理方法》：講一下如何處理數據特征，以及最基本的概念

《特征工程三，顯性特征的衍生》：準備通過NBA球星的數據，展示下特征的衍生的一些概念

《特征工程四，Wide&Deep Learning for Recommender Systems》：講一下如何通過線性算法的顯性特征以及深度學習NN算法中的提取的隱式特征做推薦系統

《特征工程五，基于蒙特卡洛樹搜索的半自動特征工程方案》：特征工程需要大量的人工干預和專家經驗，那么能不能有一種方案去實現自動特征工程呢，純自己YY了一套可能的方案。

?

下面我們進入今天的正題，特征工程有多重要，可以引用一句話來表達：“數據和特征決定了模型的上限，算法只是在幫忙逼近這個上限。”好的特征是決定一個模型準確率的關鍵，那問題來了？什么是特征呢，特征就是數據對于結果的一種描述。比如我們形容一個人是否漂亮，那她的眼睛大小、鼻子的形狀、臉型都是特征。通常，當獲得一份結構化數據的時候，如果這份數據里存在目標列，那么除了目標列每個字段都可以看做是特征，特征工程要做的事情是找到對結果影響最大的特征。

?

了解了特征的重要性，我們就可以開啟這一系列文章的分享了，不過在此之前，有幾個概念需要再明確下。特征分哪幾種呢？

1.????顯性特征：可以理解為用戶直接可以拿到的數據字段

2.????半隱性特征：用戶數據在通過GBDT等算法的計算過程中產出的一些特征

3.????隱性特征：深度學習在很大程度上可以簡化人肉特征工程的工作量，因為深度學習可以在計算過程中自動生成一些特征向量，這些特征的表達往往是不可解釋的，那這些特征就是隱性特征。

Ok~同步完這些概念，開啟沖刺，年前要好好學習并分享特征工程的系列文章。

總結

以上是生活随笔為你收集整理的[特征工程系列一] 论特征的重要性的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。