Feature Engineering for Machine Learning 機器學習中的特征工程（一）

本系列的部落格是《Feature Engineering for Machine Learning》這本書的整理及學習，如果有出錯的地方麻煩各位指正。英文版參考的是2018年4月出版的，連結是Feature Engineering for Machine Learning。全書一共有九章，是以初步打算寫九篇文章。原書所配套的代碼可以在https://github.com/alicezheng/feature-engineering-book上找到

(1). The Machine Learning Pipeline

(2). Fancy Tricks with Simple Numbers

(3). Text Data: Flattening, Filtering, and Chunking

(4). The Effects of Feature Scaling: From Bag-of-Words to Tf-idf

(5). Categorical Variables: Counting Eggs in the Age of Robotic Chickens

(6). Dimensionality Reduction: Squashing the Data Pancake with PCA

(7). Nonlinear Featurization via K-Means Model Stacking

(8). Automating the Featurizer: Image Feature Extraction and Deep Learning

(9). Back to the Feature: Building an Academic Paper Recommender

首先看第一章：The Machine Learning Pipeline。pipeline可以翻譯成管道或者流水線，是指資料在機器學習過程中像流水線一樣從一個過程到另一個過程，比如sklearn中的pipeline。

from sklearn.pipeline import Pipeline
 
pipe_lr = Pipeline([('sc', StandardScaler()),
                    ('pca', PCA(n_components=2)),
                    ('clf', LogisticRegression(random_state=1))
                    ])
pipe_lr.fit(X_train, y_train)
           

首先對資料做了一個标準化，其次是PCA降維，最後是分類。

第一章目錄

（1） Data

（2） Tasks

（3） Models

（4） Features

（5） Model Evaluation

data和task都是簡單的一些概念。

model是和資料有關的，比如一個預測股票價格的模型可能會對一個公司的曆史收入，股票的曆史價格模組化。但原始資料通常不是數值型的，是以需要特征來做原始資料和模型之間的橋梁。

特征就是原始資料的數值表示。特征工程是在給定資料，模型，任務的情況下給出最合适的特征。