本文我們來討論特征預處理的相關問題。主要包括特征的歸一化和標準化，異常特征樣本清洗與樣本數(shù)據(jù)不平衡問題的處理。

1. 特征的標準化和歸一化

由于標準化和歸一化這兩個詞經(jīng)?；煊?，所以本文不再區(qū)別標準化和歸一化，而通過具體的標準化和歸一化方法來區(qū)別具體的預處理操作。

z-score標準化：這是最常見的特征預處理方式，基本所有的線性模型在擬合的時候都會做 z-score標準化。具體的方法是求出樣本特征x的均值mean和標準差std，然后用（x-mean)/std來代替原特征。這樣特征就變成了均值為0，方差為1了。在sklearn中，我們可以用StandardScaler來做z-score標準化。當然，如果我們是用pandas做數(shù)據(jù)預處理，可以自己在數(shù)據(jù)框里面減去均值，再除以方差，自己做z-score標準化。

max-min標準化：也稱為離差標準化，預處理后使特征值映射到[0,1]之間。具體的方法是求出樣本特征x的最大值max和最小值min，然后用(x-min)/(max-min)來代替原特征。如果我們希望將數(shù)據(jù)映射到任意一個區(qū)間[a,b]，而不是[0,1]，那么也很簡單。用(x-min)(b-a)/(max-min)+a來代替原特征即可。在sklearn中，我們可以用MinMaxScaler來做max-min標準化。這種方法的問題就是如果測試集或者預測數(shù)據(jù)里的特征有小于min，或者大于max的數(shù)據(jù)，會導致max和min發(fā)生變化，需要重新計算。所以實際算法中， 除非你對特征的取值區(qū)間有需求，否則max-min標準化沒有 z-score標準化好用。

L1/L2范數(shù)標準化：如果我們只是為了統(tǒng)一量綱，那么通過L2范數(shù)整體標準化也是可以的，具體方法是求出每個樣本特征向量

x→的L2范數(shù)||x→||2,然后用x→/||x→||2代替原樣本特征即可。當然L1范數(shù)標準化也是可以的，即用x/||x||1

代替原樣本特征。通常情況下，范數(shù)標準化首選L2范數(shù)標準化。在sklearn中，我們可以用Normalizer來做L1/L2范數(shù)標準化。

此外，經(jīng)常我們還會用到中心化，主要是在PCA降維的時候，此時我們求出特征x的平均值mean后，用x-mean代替原特征，也就是特征的均值變成了0, 但是方差并不改變。這個很好理解，因為PCA就是依賴方差來降維的。

雖然大部分機器學習模型都需要做標準化和歸一化，也有不少模型可以不做做標準化和歸一化，主要是基于概率分布的模型，比如決策樹大家族的CART，隨機森林等。當然此時使用標準化也是可以的，大多數(shù)情況下對模型的泛化能力也有改進。

2. 異常特征樣本清洗

我們在實際項目中拿到的數(shù)據(jù)往往有不少異常數(shù)據(jù)，有時候不篩選出這些異常數(shù)據(jù)很可能讓我們后面的數(shù)據(jù)分析模型有很大的偏差。那么如果我們沒有專業(yè)知識，如何篩選出這些異常特征樣本呢？常用的方法有兩種。

第一種是聚類，比如我們可以用KMeans聚類將訓練樣本分成若干個簇，如果某一個簇里的樣本數(shù)很少，而且簇質(zhì)心和其他所有的簇都很遠，那么這個簇里面的樣本極有可能是異常特征樣本了。我們可以將其從訓練集過濾掉。

第二種是異常點檢測方法，主要是使用iForest或者one class SVM，使用異常點檢測的機器學習算法來過濾所有的異常點。

當然，某些篩選出來的異常樣本是否真的是不需要的異常特征樣本，最好找懂業(yè)務的再確認一下，防止我們將正常的樣本過濾掉了。

3. 處理不平衡數(shù)據(jù)

這個問題其實不算特征預處理的部分，不過其實它的實質(zhì)還是訓練集中各個類別的樣本的特征分布不一致的問題，所以這里我們一起講。

我們做分類算法訓練時，如果訓練集里的各個類別的樣本數(shù)量不是大約相同的比例，就需要處理樣本不平衡問題。也許你會說，不處理會怎么樣呢？如果不處理，那么擬合出來的模型對于訓練集中少樣本的類別泛化能力會很差。舉個例子，我們是一個二分類問題，如果訓練集里A類別樣本占90%，B類別樣本占10%。 而測試集里A類別樣本占50%， B類別樣本占50%， 如果不考慮類別不平衡問題，訓練出來的模型對于類別B的預測準確率會很低，甚至低于50%。

如何解決這個問題呢？一般是兩種方法：權重法或者采樣法。

權重法是比較簡單的方法，我們可以對訓練集里的每個類別加一個權重class weight。如果該類別的樣本數(shù)多，那么它的權重就低，反之則權重就高。如果更細致點，我們還可以對每個樣本加權重sample weight，思路和類別權重也是一樣，即樣本數(shù)多的類別樣本權重低，反之樣本權重高。sklearn中，絕大多數(shù)分類算法都有class weight和 sample weight可以使用。

如果權重法做了以后發(fā)現(xiàn)預測效果還不好，可以考慮采樣法。

采樣法常用的也有兩種思路，一種是對類別樣本數(shù)多的樣本做子采樣, 比如訓練集里A類別樣本占90%，B類別樣本占10%。那么我們可以對A類的樣本子采樣，直到子采樣得到的A類樣本數(shù)和B類別現(xiàn)有樣本一致為止，這樣我們就只用子采樣得到的A類樣本數(shù)和B類現(xiàn)有樣本一起做訓練集擬合模型。第二種思路是對類別樣本數(shù)少的樣本做過采樣, 還是上面的例子，我們對B類別的樣本做過采樣，直到過采樣得到的B類別樣本數(shù)加上B類別原來樣本一起和A類樣本數(shù)一致，最后再去擬合模型。

上述兩種常用的采樣法很簡單，但是都有個問題，就是采樣后改變了訓練集的分布，可能導致泛化能力差。所以有的算法就通過其他方法來避免這個問題，比如SMOTE算法通過人工合成的方法來生成少類別的樣本。方法也很簡單，對于某一個缺少樣本的類別，它會隨機找出幾個該類別的樣本，再找出最靠近這些樣本的若干個該類別樣本，組成一個候選合成集合，然后在這個集合中不停的選擇距離較近的兩個樣本（x1,y）,(x2,y)，在這兩個樣本之間，比如中點，構造一個新的該類別樣本。舉個例子，比如該類別的候選合成集合有兩個樣本(x1,y),(x2,y),那么SMOTE采樣后，可以得到一個新的訓練樣本((x1+x2)/2,y),(x1+x22,y),通過這種方法，我們可以得到不改變訓練集分布的新樣本，讓訓練集中各個類別的樣本數(shù)趨于平衡。我們可以用imbalance-learn這個Python庫中的SMOTEENN類來做SMOTE采樣。

4. 結(jié)語

特征工程系列終于寫完了，這個系列的知識比較零散，更偏向工程方法，所以不像算法那么緊湊，寫的也不是很好，希望大家批評指正。如果有其他好的特征工程方法需要補充的，歡迎留言評論。