feature-engineering-and-feature-selection
feature-engineering-and-feature-selection 是一份专注于机器学习核心环节——特征工程与特征选择的综合指南。它不仅系统讲解了相关理论知识，还提供了基于 Python 的代码实现与具体示例，帮助用户从零构建对数据的理解。
在机器学习项目中，数据和特征的质量直接决定了模型性能的上限，但市面上往往缺乏系统性的学习资料。feature-engineering-and-feature-selection 正是为了解决这一问题而生，它详细阐述了数据问题的本质、各种特征处理技术的原理、适用场景及其优缺点，让读者不仅知其然，更知其所以然。
这份指南非常适合机器学习初学者、数据科学家以及希望优化模型性能的开发者阅读。其亮点在于“理论与实践并重”，既不是枯燥的代码堆砌，也不是空洞的理论说教，而是深入剖析了“为什么、怎么做、何时做”的决策逻辑。项目提供了 PDF 和 Markdown 两种格式，方便用户随时查阅，是提升数据挖掘能力的实用参考手册。
使用场景
小李是一名初级数据科学家，正在负责构建一个二手房价格预测模型，虽然尝试了 XGBoost 等多种复杂算法，但模型的预测误差始终居高不下。
没有 feature-engineering-and-feature-selection 时
- 缺乏系统性思路：面对几十个原始字段（如房屋朝向、经纬度、装修情况），不知道该优先处理哪些，只能盲目尝试，导致特征工程环节混乱无序。
- 知其然不知其所以然：虽然通过网络搜索复制了一些特征处理的代码片段，但不理解背后的数学原理，例如不清楚为何要对长尾分布做对数转换，导致特征转换效果不佳。
- 特征选择盲目：在筛选特征时，要么保留了过多冗余特征导致模型过拟合，要么误删了关键信息，模型泛化能力极差，线上表现不如预期。
- 代码实现碎片化：处理不同类型特征时，代码风格各异且缺乏注释，不仅复用困难，在团队协作时也难以解释处理逻辑。
使用 feature-engineering-and-feature-selection 后
- 建立标准化流程：参考指南中的“数据探索 -> 变量识别 -> 特征构建”路径，小李能够有条不紊地制定特征处理计划，不再盲目试错。
- 深入理解底层逻辑：通过文档中对“Why, How, When”的详细讲解，小李明白了不同特征工程技术的适用场景，针对性地处理了房屋年龄等非线性特征，显著提升了数据质量。
- 科学筛选特征：利用仓库中提供的特征选择方法与示例，小李掌握了如何根据模型表现精准剔除噪声特征，有效降低了模型复杂度并提升了预测准确率。
- 代码规范统一：直接参考仓库中基于 scikit-learn 的标准化 Python 实现和 Jupyter Notebook 示例，小李的代码变得整洁规范，易于维护和向团队汇报。
feature-engineering-and-feature-selection 不仅提供了即插即用的代码库，更通过系统化的理论讲解与实战案例，帮助开发者打通了从原始数据到高质量特征的“最后一公里”。
运行环境要求
- 未说明
未说明
未说明
快速开始
特征工程与特征选择
一份关于特征工程 (Feature Engineering) 和特征选择 (Feature Selection) 的综合指南 [pdf] [markdown]，包含 Python 实现与示例。
动机
尽管如今涌现出数百种前沿的机器学习算法，如深度学习 (Deep Learning) 和迁移学习 (Transfer Learning)，但特征工程与特征选择仍然是构建实用机器学习 (Machine Learning) 项目中最关键的部分。事实上，正如《终极算法》(The Master Algorithm) 的作者 Domingos 教授所言：
“归根结底，有些机器学习项目成功了，有些则失败了。区别在哪里？最重要的因素无疑是所使用的特征。”
— Pedro Domingos 教授
数据和特征对机器学习项目的影响最大，并决定了我们能做到的极限，而模型和算法只是在不断逼近这个极限。然而，目前很少有资料能系统地介绍特征工程的艺术，能解释其背后原理的更是寥寥无几。本仓库是我在学习机器学习过程中的个人笔记，旨在作为特征工程与特征选择的参考资料。
下载
在此下载 PDF：
同样的内容，Markdown 版本：
PDF 的格式更具可读性，而 Markdown 拥有自动生成的锚点链接，便于从外部源导航。GitHub 在显示语法复杂的 Markdown 时效果不佳，因此建议阅读 PDF，或者下载本仓库并使用 Typora 阅读 Markdown。
你将学到什么
这不仅是实用函数的集合，更解释了在数据挖掘中为什么、如何以及何时采用哪种特征工程技术。
- 我们常遇到的数据问题的本质与风险
- 各种特征工程与特征选择技术的解释
- 使用原理
- 每种方法的优缺点
- 代码与示例
快速开始
本仓库主要供进行特征工程的人员作为参考，大部分模块通过 scikit-learn 或其社区实现。
要运行演示或使用自定义函数，请从仓库下载 ZIP 文件，或者直接复制粘贴您觉得有帮助的任何代码部分。它们应该都非常易于理解。
所需依赖：
- Python 3.5, 3.6 or 3.7
- numpy>=1.15
- pandas>=0.23
- scipy>=1.1.0
- scikit_learn>=0.20.1
- seaborn>=0.9.0
目录与代码示例
以下是本仓库中目前已实现的方法列表。
1. 数据探索
- 1.1 变量
- 1.2 变量识别
- 1.3 单变量分析
- 1.4 双变量分析
2. 特征清洗
- 2.1 缺失值
- 2.2 异常值
- 2.3 稀有值
- 2.4 高基数
3. 特征工程
- 3.1 特征缩放
- 3.2 离散化
- 3.3 特征编码
- 3.4 特征变换
- 3.5 特征生成
4. 特征选择
- 4.1 Filter Method (过滤法)
- 4.2 Wrapper Method (包装法)
- 4.3 Embedded Method (嵌入法)
- 4.4 Feature Shuffling (特征混洗)
- 4.5 Hybrid Method (混合法)
关键链接与资源
- Udemy 的特征工程在线课程
https://www.udemy.com/feature-engineering-for-machine-learning/
- Udemy 的特征选择在线课程
https://www.udemy.com/feature-selection-for-machine-learning
- JMLR 关于变量与特征选择的特刊
http://jmlr.org/papers/special/feature03.html
- 《回归与多层/分层模型数据分析》，第 25 章：缺失数据
http://www.stat.columbia.edu/~gelman/arm/missing.pdf
- 数据挖掘与缺失数据的影响
http://core.ecu.edu/omgt/krosj/IMDSDataMining2003.pdf
- PyOD：用于可扩展异常值检测的 Python 工具包
https://github.com/yzhao062/pyod
- Weight of Evidence (WoE) (证据权重) 介绍概览
- 关于特征缩放与归一化
http://sebastianraschka.com/Articles/2014_about_feature_scaling.html
- 使用 RF、GBDT 和 Xgboost 进行特征生成
https://blog.csdn.net/anshuai_aw1/article/details/82983997
- 特征选择方法及其应用综述
https://ieeexplore.ieee.org/iel7/7153596/7160221/07160458.pdf
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。