原博客作者：http://www.cnblogs.com/jasonfreak/p/5448385.html

使用sklearn做单机特征工程

导入鸢尾花数据库，包含四个变量（sepal length、sepal width、petal length、petal width）学习目的是对鸢尾花进行分类，可以看到这里已经设定好了是4个特征，遇到具体问题的时候怎么设定更好的特征决定了结果的上限

from sklearn.datasets import load_iris

#导入IRIS数据集
iris = load_iris()

#特征矩阵
iris.data

#目标向量
iris.target

数据预处理

提取的特征可能存在的问题：
刚刚提取出来的特征，可能有冗余、量纲不同

可能定性特征、处理方法：

1. 一个定性特征可以赋值1，2，3，4但是这对调参来说很不友好
2. 更好的方法是，把这一个定性特征的各种值态认为是多个特征，当这一个定性特征取第i种值态时，就光给这个值态赋值 1 ，其他的赋值为0，实际上是把定性特征用哑变量编码了，对于线性模型，这种哑变量赋值可以达到非线性的效果。

可能数据缺失

缺失值需要补充

信息利用率低

刚才的哑变量编码的方式可以使得线性模型变得非线性，定量特征多项式话也可以达到非线性的效果。

sklearn 的preprocessing库来做数据处理，可以覆盖以上问题的解决方案

无量纲化

常见的是标准化和区间缩放法，标准化前提是特征服从正态分布（正态检验），标准化之后特征转化成了标准正态分布，

标准化

image.png