表現(xiàn) (Representation)：精良特性的特點(diǎn)

我們探究了將原始數(shù)據(jù)映射到切合特性矢量的辦法，但這只是事情的一局部。如今，我們必需探究什么樣的值才算這些特性矢量中精良的特性。

制止很少使用的散伙特性值

精良的特性值應(yīng)該在數(shù)據(jù)會(huì)合顯現(xiàn)約莫 5 次以上。如此一來，模子就可以學(xué)習(xí)該特性值與標(biāo)簽是怎樣關(guān)聯(lián)的。也就是說，多量散伙值相反的樣本可讓模子天然會(huì)了解不同設(shè)置中的特性，從而推斷何時(shí)可以對標(biāo)簽很好地做出猜測。比如，house_type 特性約莫包含多量樣本，此中它的值為 victorian：

?house_type: victorian

相反，假如某個(gè)特性的值僅顯現(xiàn)一次大概很少顯現(xiàn)，則模子就無法依據(jù)該特性舉行猜測。比如，unique_house_id 就不適互助為特性，由于每個(gè)值只使用一次，模子無法從中學(xué)習(xí)任何紀(jì)律：

?unique_house_id: 8SK982ZZ1242Z

最好具有明晰明白的涵義

每個(gè)特性關(guān)于項(xiàng)目中的任何人來說都應(yīng)該具有明晰明白的涵義。比如，底下的房齡適互助為特性，可立刻識別是以年為單位的房齡：

?house_age: 27

相反，關(guān)于下方特性值的涵義，除了創(chuàng)建它的工程師，其他人恐怕辨識不出：

?house_age: 851472000

在某些情況下，雜亂的數(shù)據(jù)（而不是糟糕的工程選擇）會(huì)招致涵義不明晰的值。比如，以下 user_age 的泉源沒有反省值得當(dāng)與否：

?user_age: 277

實(shí)踐數(shù)據(jù)內(nèi)不要摻入特別值

精良的浮點(diǎn)特性不包含超出范圍的特別斷點(diǎn)或特別的值。比如，假定一個(gè)特性具有 0 到 1 之間的浮點(diǎn)值。那么，如下值是可以承受的：

?quality_rating: 0.82 quality_rating: 0.37

不外，假如用戶沒有輸入 quality_rating，則數(shù)據(jù)集約莫使用如下特別值來表現(xiàn)不存在該值：

?quality_rating: -1

為處理特別值的成績，需將該特性轉(zhuǎn)換為兩個(gè)特性：

• 一個(gè)特性只存儲(chǔ)質(zhì)量評分，不含特別值。
• 一個(gè)特性存儲(chǔ)布爾值，表現(xiàn)對否提供了 quality_rating。為該布爾值特性指定一個(gè)稱呼，比如 is_quality_rating_defined。

思索高明不安定性

特性的界說不應(yīng)隨時(shí)間產(chǎn)生厘革。比如，下列值是有效的，由于都市稱呼尋常不會(huì)改動(dòng)。（注意，我們?nèi)耘f必要將“br/sao_paulo”如此的字符串轉(zhuǎn)換為獨(dú)熱矢量。）

?city_id: "br/sao_paulo"

但搜集由其他模子推理的值會(huì)產(chǎn)生分外本錢。約莫值“219”現(xiàn)在代表圣保羅，但這種表現(xiàn)在將來運(yùn)轉(zhuǎn)其他模子時(shí)約莫容易產(chǎn)生厘革：

?inferred_city_cluster: "219"