深度拆解特征工程经典案例，掌握比赛上分利器

大家应该都听过这么一句话：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。

那么特征工程是什么呢？

特征工程（Feature Engineering）对特征进行进一步分析，并对数据进行处理。常见的特征工程包括：异常值处理、缺失值处理、数据分桶、特征处理、特征构造、特征筛选及降维等。

通过总结和归纳，特征工程包括以下方面：

（点击图片查看大图）

创造新的特征是一件十分困难的事情，需要丰富的专业知识和大量的时间。机器学习应用的本质基本上就是特征工程。

而在公司做机器学习，大部分时间不是研究各种算法、设计高大上模型，也不是各种研究深度学习的应用，或设计N层神经网络，实际上，70~80%的时间都是在跟数据、特征打交道。

在某kaggle数据科学二分类比赛，通过有效特征的抽取，auc能提升2%（auc是评价模型好坏的常见指标之一），而通过看起来高大上的模型调参优化，auc提升只能约5‰。包括在一个电商商品推荐比赛，推荐大赛第一名的组，基于特征工程，比工程师的推荐准确 度提升16%。

由此可见，特征工程在机器学习中占有相当重要的地位。

基于以上原因，近期我们上线了【特征工程与模型优化特训】课程（此课程也是 机器学习集训营预习课），在售价199.9元的课程，今天给大家申请到的优惠价是9.9元！

课程从数据采集到数据处理、到特征选择、再到模型调优，带你掌握一套完整的机器学习流程，对于不同类型的数据，不同场景下的问题，选择合适的特征工程方法和模型优化方法进行处理尤为重要。

课程还会提供两个经典的 Kaggle 比赛案例和详细的模型融合模板，带你更容易地理解机器学习，掌握比赛上分利器。

另一方面，一整期课程才9.9元，只需一顿早餐价钱，但凡能学到一点知识都不亏。

不论你是在校生，还是已经工作的算法工程师，或者是打算转行机器学习相关岗位的人，这门课都是机器学习路上的必修课程。

大家可以看下本期课程的大纲，满满的干货，非常适合大家来入门学习。