一、特征工程定义
在数据预处理以后（或者数据预处理过程中），如何从数据中提取有效的特征，使这些特征能够尽可能的表达原始数据中的信息，使得后续建立的数据模型能达到更好的效果，就是特征工程所要做的工作。
二、设计特征的方法
独热特征表示 One-hot Representation
将每个属性表示成一个很长的向量（每维代表一个属性值，如词语）
函数：[0, 0, 1, 0, 0, …, 0, 0, 0, 0]
图像：[0, 0, 0, 0, 0, …, 0, 0, 0, 1]
优点：直观，简洁
缺陷：
“维度灾难” 问题：尤其是我们所构建的语料库包含的词语数据非常多的时候，独热表征在空间和时间上的开销都是十分巨大的
“语义鸿沟” 现象：任意两个词之间都是完全孤立的，是无法刻画句子中词语的语序信息的（之前提到的词袋模型也是如此）。例如，我们是无法通过独热表征来判断“函数”与“偶函数”之间的联系的（但实际上这两个词语是非常相关的）。
TF-IDF（词频-逆文档率）
算法简单高效,工业界用于最开始的数据预处理
主要思想：找到能代表该文档中的“关键词”
词频 （TF, Term Frequency）
TF = 某个词(特征值)在句子(数据)中出现的频率
逆文档率 （IDF, Inverse Document Frequency）
IDF = log(语料库(数据库)的句子(数据)总数) / 包含该词(特征值)的句子(数据)总数)
每个特征值（词）的重要性
举个直观例子：
很多推荐系统都使用该方法，根据用户搜索的信息内容，计算词频等，来推荐相关的信息
三、利用标准数据集进行特征学习（特征预训练）
作用：模型效果验证 & 应用问题中的模型预训练
图像数据预训练：ImageNet
ImageNet
http://www.image-net.org/
1400万张图片数据，2万类别，已标注
常用模型：ResNet，AlexNet，VGG等
常见应用：图像分类、目标检测、目标定位，场景分类等
文本数据预训练：Twitter，Wiki
GloVe: Global Vectors for Word RepresentationGloVe: Global Vectors for Word Representationhttps://nlp.stanford.edu/projects/glove/
2 Billon tweets, 27 Billion 词数，1.2M 词表
常用模型：CBOW，Skip-gram，Glove等Word2Vec模型
常见应用：文本分类，文本推理，翻译等
训练好的特征可以直接作为其他模型的输入来使用
笔者时间问题，还是不把课程内容之外的特征工程评价这一块拿上来。因为其中涉及损失函数（传统特征工程）、CNN、RNN（深度学习）等方法，可以去有关机器学习、深度学习的课程，或者西瓜书、花书一类的经典教辅学习！
下一讲又是全新的章节！加油！
 基础)
在视觉树迭代查找中的作用分析)
