什么是特征？

正如本章引言所述，特征工程在机器学习 (machine learning)工作流程中占据重要位置。但在此背景下，特征究竟是什么呢？

核心而言，特征是被观测现象的一个可衡量的个体属性或特点。可以将其视为机器学习模型用于做出预测或判断的输入变量。在机器学习常用的结构化数据集（如表格或电子表格）中，特征通常对应于列。

考虑一个简单例子：预测房价。您收集的原始数据可能包含每套房屋的各种信息。部分原始数据可能可以直接用作特征，而另一些特征可能需要创建或转换。

• 直接可用特征： 房屋的面积、卧室数量、浴室数量。这些都是可衡量的属性，很可能可以直接输入到模型中。
• 需要转换的特征： 地址可能是原始文本。这对于大多数模型来说无法直接使用。您可能需要从中构建特征，例如邮政编码、到最近学校的距离，或者一个代表社区的分类特征。
• 需要创建的特征： 您可能拥有房屋的建造年份。虽然可用，但房屋的年龄（当前年份 - 建造年份）可能是一个信息量更大的特征。您从year_built数据中创建这个age特征。同样，拥有地块大小和房屋面积，可能让您能够创建yard_size特征（地块大小 - 房屋面积）或house_ratio特征（房屋面积 / 地块大小）。

主要观点是，特征是为学习算法量身定制的原始数据的信息丰富的表示。原始数据通常杂乱，包含不相关信息，或者格式不适合算法（例如，文本地址、原始时间戳）。特征是经过提炼的、从这些原始数据中派生出来的数值或分类输入。

下面是一个说明其区别的小表格：

原始数据点	可派生的潜在特征	特征类型
交易时间戳	一天中的小时, 一周中的天, 是否周末 (二元)	数值型, 数值型, 分类型
客户地址	邮政编码, 到商店的距离 (英里)	分类型, 数值型
产品描述 (文本)	关键词数量, 情感分数	数值型, 数值型
销售价格, 成本价格	利润率 ($(销售价格 - 成本价格) / 销售价格$)	数值型
卧室数量	卧室数量	数值型
颜色 (例如, "红色", "蓝色")	颜色编码 (例如, 使用编码的0, 1)	分类型/数值型

原始数据点转换为潜在机器学习特征的示例。

特征工程的目标，也是我们将在本课程中会详细介绍的，是从可用数据中构建最有效的特征集。这包括选择相关信息、将其转换为合适的格式（如将分类数据转换为数字）、处理缺失值，有时还会创建全新的特征，以比单独使用原始数据更有效地捕捉潜在模式。这些特征的质量通常比模型算法本身的选择对模型性能更为重要。理解什么是好的特征，是此过程的第一步。