第六章：机器学习01：特征工程--01特征构造与提取

06-机器学习

$---by:Rianusr$

1 特征构造

1.2 特征工程在机器学习流程中的位置

1.3 特征工程的重要性

1.4 特征工程具体作用举例--客户画像

1.5 什么是好的特征？--少而精！

• 模型更简单：同样的模型精度选择更简单的模型
• 模型更精准：好的特征是数据中抽取出来的对预测结果最有用的信息

1.6 特征工程课程安排

2 特征构造的常用方法

2.1 文本数据的提取--词袋模型

2.2 图像数据的特征提取

- 图像构成：像素+颜色（RGB，每个通道0~255）
- 图像的每个像素点：RGB的值

2.3 用户行为特征的提取

• 金融领域，用户交易数据
• 提取最近一次消费时间、消费频率、总的购买金额
• 购买商品类型、价格

2.4 用户画像特征

2.5 特征提取的总结：

• 特征设计时需要与目标高度相关，应考虑以下三个问题：
  
  • 这个特征对于目标是否有用？
  • 如果有用，这个特征重要程度如何？
  • 这个特征的信息是否在其他的特征上体现过？
• 特征设计需要一定的领域知识、直觉和数学知识
• 初始提取特征后还需要进行特征转换处理后，再进入算法模型
• 特征设计和提取需要不断进行反复的迭代验证，需要大量时间

3 用户RFM行为特征提取

3.1 RFM指标

3.2 RFM五等分法

3.3 RFM应用价值：用户细分

3.4 RFM应用价值：用户价值及营销响应评估

3.5 RFM指标的计算.png