一文看懂数值类特征（基本概念+4种处理方式）
- Home
- AI 知识库
- 特征工程
文章目录
数值类特征是最常见的一种特征类型，数值可以直接喂给算法。 为了提升效果，我们需要对数值特征做一些处理，本文介绍了4种常见的处理方式：缺失值处理、二值化、分桶、缩放。
什么是数值类特征？
Section titled “什么是数值类特征？”数值类特征就是可以被实际测量的特征。例如：
- 人的身高、体重、三维
- 商品的访问次数、加入购物车次数、最终销量
- 登录用户中有多少新增用户、回访用户 数值类的特征可以直接喂给算法，为什么还要处理？ 因为好的数值特征不仅能表示出数据隐藏的中的信息，而且还与模型的假设一致。通过合适的数值变换就可以带来很好的效果提升。 例如线性回归、逻辑回归对于数值的大小很敏感，所以需要进行缩放。
对于数值类特征，我们主要关注2个点：
- 大小
- 分布 下面提到的4种处理方式都是围绕大小和分布来优化的。
数值类特征常用的4种处理方式
Section titled “数值类特征常用的4种处理方式”- 缺失值处理
- 二值化
- 分桶 / 分箱
- 缩放
在实际问题中，经常会遇到数据缺失的情况。缺失值对效果会产生较大的影响。所以需要根据实际情况来处理。 对于缺失值常用3种处理方式：
- 填充缺失值（均值、中位数、模型预测…）
- 删除带有缺失值的行
- 直接忽略，将缺失值作为特征的一部分喂给模型进行学习
这种处理方式通常用在计数的场景，例如：访问量、歌曲的收听次数… 举例： 根据用户的听音乐的数据来预测哪些歌曲更受欢迎。 假设大部分人听歌都很平均，会不停的听新的歌曲，但是有一个用户24小时的不停播放同一首歌曲，并且这个歌曲很偏门，导致这首歌的总收听次数特别高。如果用总收听次数来喂给模型，就会误导模型。这时候就需要使用「二值化」。 同一个用户，把同一首歌听了N遍，只计数1，这样就能找出大家都喜欢的歌曲来推荐。
分桶 / 分箱
Section titled “分桶 / 分箱”拿每个人的收入举例，大部分人的收入都不高，极少数人的收入极其高，分布很不均匀。有些人月收入3000，有些人月收入30万，跨了好几个数量级。 这种特征对于模型很不友好。这种情况就可以使用分桶来处理。分桶就是将数值特征分成不同的区间，将每个区间看做一个整体。 常见的分桶：
- 年龄分布
- 商品价格分布
- 收入分布 常用的分桶方式：
- 固定数值的分桶（例如年龄分布：0-12岁、13-17岁、18-24岁…）、
- 分位数分桶（例如淘宝推荐的价格区间：30%用户选择最便宜的价格区间、60%用户选择的中等价格区间、9%的用户选择最贵的价格区间）
- 使用模型找到最佳分桶
线性回归、逻辑回归对于数值的大小很敏感、不同特征尺度相差很大的话会严重影响效果。所以需要将不同量级的数值进行归一化。将不同的数量级缩放到同一个静态范围中（例如：01，-11）。
常用的归一化方式：
- z分数标准化
- min-max标准化
- 行归一化
- 方差缩放 扩展阅读： 《数据缩放：标准化和归一化》 《106-数据缩放scaling（标准化、归一化）的那些事》 2021年3月25日 by 打不死的小强 Updated: 2022年8月16日
二值化, 分桶, 归一化, 数值, 标准化, 特征, 缩放, 缺失值 Thanks for your rating! You have already rated this article An error occured, please try again later
Was This Article Helpful?
Section titled “Was This Article Helpful?”1
这篇文章讲了什么？
Section titled “这篇文章讲了什么？”本文介绍了相关AI概念的基本原理和应用场景。
有什么实际应用？
Section titled “有什么实际应用？”该技术在计算机视觉、自然语言处理、推荐系统等领域有广泛应用。