本文主要是介绍特征抽取、特征选择、特征工程，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
（更新于2019/03/02）
注意：关于这三个名词的概念，网上的一些内容并不是非常权威，当然也有人对这方面的内容做了比较详细的区分，所以看这部分内容的时候就需要仔细甄别，多看不同的内容。
1. 引言
在机器学习的流程中，如图1所示，这是一个完整的循环，针对一个特定的机器学习问题，这个循环应该是一直进行的，直到你对整个的模型性能满意的时候。
因为现在已经存在了很多开源库，对于机器学习的算法和模型评估部分，都可以自动化的完成。在这种情况下，大部分时间为了解决一个问题，都是在特征工程上：怎么样构建特征，怎么样最大化利用原始数据，怎么样在这个步骤最大化后面模型的性能。
在最近的实践过程中，也发现很多时候我不是在思考算法，而是希望先将数据进行清理，然后转化成可以利用的形式，最后才是算法。可能真正用于测试算法的实践仅占整个流程的20%。 不算模型调优的过程，在项目初期，先把这个流程走通，大部分时间都是花费在对数据进行处理上。
这篇随笔就记录下特征工程以及特征抽取、特征选择的定义等。
2. 定义
从众多的文章中挑选了两篇[2][3]比较认可的关于这方面的定义。这两篇定义方面的内容一样的，但他们出现在不同的地方。一开始的时候看了这两篇文章，觉得应该是对了；后面看的多了才发现这里也是不对的。[2][3]文章估计是一个人写的，或者有人抄过来的，所以不要相信。
特征抽取与特征工程：将原始数据转化为可以用来建模的特征；
特征抽取：从原始数据集中抽取到新的特征空间，也是降维过程；
特征转换：将特征进行转换，以提高准确率；
特征选择：移除不必要的特征；
下面分别来解释一下：
- 我认为特征工程应该是包含包含特征抽取的，他们共同的目的都是从原始数据中，通过背景知识，提取出可以用来建模的特征；
但特征工程感觉上做的工作要别特征抽取要多；特征工程是希望得到的特征更有意义。（个人认为这两个可以混为一谈，即使有些书上也都没有非常明确的规定） - 特征转化
这个词跟归一化相关。 - 特征选择
直观理解，从一组特征中，选择出对模型的更有利的，涉及一些评价的参数，常用的有相关系数这种；这种过程最终生成的特征子集，他的特征意义是不变的。
还有一个常用是降维过程，比如PCA算法（这个应该算是特征抽取过程），但特征选择也算是一种降维的过程。
p.s. 正如开头所说，关于这方面，网上的内容很多都有些不是很正式，前面只是我的理解。完整的定义，应该看文章[4]，只不过他的特征工程部分的内容不够丰富，更像是前期预处理的部分内容。更丰富的，可以看知乎上的答案[5]。特征工程应该涵盖特征选择和特征抽取，毕竟这个名字在这里摆着，我就是要针对特征做事情嘛；然后比较重要的一方面，他在开始的利用与问题相关的背景知识，将数据转化为可以用的特征，比如自然语言处理过程，语音处理过程等。
简单粗暴一点，特征抽取是将原始空间映射到新的空间，创造了新的特征变量，改变了原始的特征；特征选择是从原始子集中筛选与类别相关的变量，只是对变量空间进行了缩小。
文章[6]的话非常有启发性，在高维空间中，人无法去定位各个变量，你希望从低维的空间中找到解释的观点，这就是特征抽取；特征选择就是你还在原始空间中，只不过去除了一些无用的变量；他们统称为特征降维。
4. 常用的方法
文章[4]中，对这部分的内容进行了描述，后面对这部分内容进行记录。文章[10]也对这个部分的内容进行了介绍。
5. 如何与交叉验证结合
关于特征选择和特征抽取的过程数据集是如何选择的。
https://stats.stackexchange.com/questions/64825/should-feature-selection-be-performed-only-on-training-data-or-all-data
其中提到了nested cross validation.
这个主题的内容貌似非常重要，而且我印象中好像的确很多人都犯了这种错误，不管是在kaggle上，还是在论文里。
具体的形式化描述是这样的，假设要做一个预测分类的问题。
1）首先我在整个数据集上进行了特征选择的过程；
2）然后我利用交叉验证来测试这个过程是不是有效提高；
本上这种做法就是错误的[7]，这样的做法会使整个性能的估计是有偏的[8]（这个说法我还不太明白，还需要进一步来学习）。正确的做法应该是：
在分出来的每一小部分数据中，再做一次交叉验证。
文章[9]特别提出应该将特征选择作为模型选择一样对待。文章[7]同样提到了对于无监督的特征选择过程是不用在CV中执行的。
（这个问题，牵扯到的东西太多了，包括交叉验证到底干了什么，还有最后特征选择的时候选择的哪一部分，所以这个东西还是需要好好系统的学习）但这里也引入了一个问题，这样我最后特征选择出来的特征集应该是哪些。我这个问题就跟我前面好奇的最后选择交叉验证那个模型一样，可能最后就是选择在全部数据集上的内容。
这部分内容看了很久，感觉越看越迷糊，就先不看了，后面还是要看比较权威的书来的快。
引用
[1]gui-fying-the-machine-learning-workflow-towards-rapid-discovery-of-viable-pipelines
[2]Feature selection vs Feature extraction. Which to use when?
[3]pen-machine-learning-course-topic-6-feature-engineering-and-feature-selection
[4]getting-data-ready-for-modelling-feature-engineering-feature-selection-dimension-reduction
[5]特征工程到底是什么
[6]数据降维（特征提取）和特征选择有什么区别？
[7]not-perform-feature-selection
[8]Feature selection and cross-validation
[9]An Introduction to Feature Selection
[10]使用sklearn做单机特征工程
[11]Getting Data ready for modelling: Feature engineering, Feature Selection, Dimension Reduction (Part two)
(https://towardsdatascience.com/getting-data-ready-for-modelling-feature-engineering-feature-selection-dimension-reduction-39dfa267b95a)
这篇关于特征抽取、特征选择、特征工程的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
