特征工程是将原始数据转化为机器学习使用的特征的过程。特征工程是困难的，因为从信号和图像中提取特征需要深入的领域知识，而寻找最佳特征基本上仍然是一个迭代过程，即使您使用自动化方法。
特性工程包含以下一个或多个步骤:
例如，体育统计数据包括玩家玩过的游戏、每场比赛的平均时间和得分等数字数据。在这种情况下，特征提取包括将这些统计数据压缩成派生的数字，如每场比赛的得分或平均得分时间。然后，特征选择就变成了一个问题:您是仅仅使用这些比率来构建模型，还是原始统计数据仍然有助于模型做出更准确的预测。
用于信号和图像数据的手动特征提取需要信号和图像处理知识，尽管自动化技术如小波变换证明非常有效。即使您对信号数据应用深度学习，这些技术也是有用的，因为深神经网络在原始信号数据中未揭示结构揭示结构。从文本数据中提取特征的传统方法是将文本建模为一袋单词。现代方法应用深度学习，以编码单词的背景，例如流行的单词嵌入技术word2vec。
特征变换包括流行的数据准备技术，如标准化以处理特征规模上的巨大差异，但也聚合以总结数据，滤波以去除噪声，以及降维技术，如PCA和因子分析。
MATLAB支持多种特征选择方法金宝app®。有些是基于重要性的排名特征，这可能和与响应的相关性一样基本。一些机器学习模型在学习算法中估计特征的重要性(“嵌入式”特征选择)，而所谓的基于过滤器的方法推断特征重要性的单独模型。包装器选择方法使用选择标准迭代地添加和删除候选特征。下图提供了特征工程的各个方面的概述，以指导实践者为他们的机器学习模型寻找性能特征。
基本功能工程工作流程。
深入学习已知用于将原始图像和信号数据作为输入，从而消除了特征工程步骤。虽然适用于大型图像和视频数据集，但在应用深度学习到较小的数据集和基于信号的问题时，功能工程仍然仍然至关重要。
要点
- 特征工程对于应用机器学习至关重要，以及对深度学习的应用来说也是相关的。
- 小波散射可以从信号和图像数据中提供良好的特征，而无需人工提取特征
- 额外的步骤，如特性转换和选择，可以生成更精确但更小的特性集，适合部署到受硬件限制的环境中。
