1. 引入话题

上一节课我们讲到了数据预处理的重要性，现在我们的数据已经变得干净整洁，就像是经过了精心打理的花园一样。但是，为了让我们的数据模型更加强大，我们需要进一步增强数据的能力，这就需要用到特征工程了。

2. 什么是特征工程？

特征工程是通过对原始数据进行变换和组合，创建新的特征，从而提升模型的预测能力的过程。就像是在打造一把专属的魔法剑，让它拥有更强的威力。

3. 特征工程的重要性

• 提升模型性能：好的特征可以让模型更加准确地捕捉到数据中的模式。
• 简化模型复杂度：有时候通过特征工程可以减少模型的复杂度，使得模型更容易理解和解释。
• 增加模型鲁棒性：良好的特征工程可以降低模型对噪声的敏感度。

4. 特征工程的基本步骤

• 特征选择：挑选最相关的特征。
• 特征提取：从现有特征中提取有用的信息。
• 特征构造：创造新的特征。
• 特征转换：将特征转换为模型易于处理的形式。

5. 示例代码

让我们来看一个简单的Python代码示例，演示如何进行特征工程。

示例代码

import pandas as pd
from sklearn.preprocessing import StandardScaler, OneHotEncoder
from sklearn.compose import ColumnTransformer

# 创建一个示例数据集
data = {
    'Room': ['Kitchen', 'Bathroom', 'Living Room', 'Bedroom'],
    'Area': [100, 60, 150, 120],
    'Price': [2000, 1500, 3000, 2500]
}
df = pd.DataFrame(data)

# 显示原始数据
print("Original Data:")
print(df)

# 特征工程
# 定义特征转换器
numeric_features = ['Area']
numeric_transformer = StandardScaler()

categorical_features = ['Room']
categorical_transformer = OneHotEncoder()

preprocessor = ColumnTransformer(
    transformers=[
        ('num', numeric_transformer, numeric_features),
        ('cat', categorical_transformer, categorical_features)])

# 应用特征转换器
df_transformed = preprocessor.fit_transform(df)

# 显示处理后的数据
print("\nTransformed Data:")
print(df_transformed)

6. 小结

在这节课中，我们了解了特征工程的基本概念以及它的作用。通过一个简单的代码示例，我们展示了如何对数值型特征进行标准化处理，并对类别型特征进行独热编码。这些都是特征工程中常见的步骤，能显著提升模型的表现。