从数据中提取特征

特征提取是将原始数据转换为一组可供机器学习模型使用的特征的过程。本课涵盖特征工程基础，以及从数据中提取有用特征的常见技术。

什么是特征提取

特征提取通过识别与分析最相关的关键属性来简化原始数据。它可以降低数据复杂性并提升模型性能。

示例：

• 从 date 列中提取 month 和 day。
• 从文本数据中计算 word count。

从日期中提取特征

您可以使用 Pandas 从日期列中提取 year、month 或 day 等新特征。

示例：

df['Year'] = pd.to_datetime(df['Date']).dt.year

基于文本的特征

对于文本数据，您可以提取以下特征：

• 词语数量：词语的总数。
• 字符数量：字符的总数。
• 唯一词语：不重复词语的数量。

示例：

df['WordCount'] = df['Text'].apply(lambda x: len(x.split()))

分类特征编码

将分类数据转换为数值形式，以便进行分析。常见技术包括：

• 独热编码：为每个类别创建二元列。
• 标签编码：为每个类别分配一个唯一编号。

示例：

from sklearn.preprocessing import OneHotEncoder encoder = OneHotEncoder() encoded = encoder.fit_transform(df[['Category']])

特征缩放

缩放可确保所有特征处于相近的尺度上，这对许多机器学习算法至关重要。相关技术包括：

• 标准化：将数据缩放到均值为 0、标准差为 1。
• 最小-最大缩放：将数据转换到 [0, 1] 范围内。

特征选择

特征选择是为模型选择最重要特征的过程。相关技术包括：

• 相关性分析：识别高度相关的特征。
• 递归特征消除（RFE）：迭代移除最不重要的特征。

回顾

在本课中，您学习了以下内容：

• 特征提取：将原始数据转换为有用的特征。
• 技术：日期特征、基于文本的特征，以及对类别数据进行编码。
• 特征缩放：确保特征处于相近的尺度。
• 特征选择：识别最相关的特征。

恭喜您

您已完成关于从数据中提取特征的课程。请继续学习下一个类别，深入了解更高级的人工智能概念。