特征工程是机器学习中至关重要的预处理步骤，旨在通过数据转换提升模型性能。以下是核心要点👇
1. 常见操作
- 数据清洗：处理缺失值、异常值（🩹）
- 特征编码：对分类变量使用独热编码（One-Hot Encoding）或标签编码（Label Encoding）（🧮）
- 标准化：使用Z-Score或Min-Max方法（📊）
- 特征构造：通过领域知识创建新特征（💡）
2. 关键技巧
- 降维：PCA或t-SNE减少冗余（📉）
- 分箱：将连续特征离散化（📦）
- 时间序列处理：提取滞后特征、滑动窗口统计（⏱️）
3. 实战工具
- Python：pandas、scikit-learn、NumPy（🛠️）
- R：caret、data.table（📊）
4. 注意事项
- 避免过拟合（🚫）
- 保持特征可解释性（📖）
- 可参考 /feature_engineering_advanced 了解进阶方法