机器学习的三要素是数据、算法和算力，算法由我们自身决定。这篇文章我们首先总体了解机器学习建模流程，再重点了解其中的特征工程。

1.机器学习建模流程

机器学习建模流程主要包含以下相关流程1 获取数据，2 数据基本处理，3 特征工程，4 机器学习(模型训练)，5 模型评估

在整个建模流程中，数据基本处理、特征工程一般是耗时、耗精力最多的。

有监督学习模型训练和模型预测

2.特征工程

在这里我们需要知道特征工程是什么？理解特征提取的作用；理解特征预处理的作用；了解特征降维、特征选择、特征组合

特征：也叫数据集的属性

特征工程：利用专业背景知识和技巧处理数据，让机器学习算法效果最好。这个过程就是特征工程

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。

2.1特征提取

特征提取（feature extraction）：原始数据中提取与任务相关的特征，构成特征向量。如图所示关于鸢尾花的花萼长和宽，及其花蒂的长和宽。

特征预处理（feature preprocessing）：特征对模型产生影响；因量纲问题，有些特征对模型影响大、有些影响小

常见的处理手段：归一化（如图所示）、标准化

归一化：

特征降维（feature decomposition）：将原始数据的维度降低，叫做特征降维，一般会对原始数据产生影响

特征选择（feature selection）：原始数据特征很多，与任务相关是其中一个特征集合子集，不会改变原数据

特征组合（feature crosses）：把多个的特征合并成一个特征。利用乘法或加法来完成

特征工程 Feature Engineering

特征Feature：对任务有用的属性信息

特征工程：利用专业背景知识和技巧处理数据，让模型效果更好  

特征工程的内容

特征提取 feature extraction ：特征向量

特征预处理 feature preprocessing：不同特征对模型影响一致性

特征降维 Feature decomposition：保证数据的主要信息要保留下来

特征选择 feature selection ：从特征中选择出一些重要特征训练模型

特征组合 feature crosses：把多个特征合并组合成一个特征

提取

feature extraction