对于机器学习而言，一般步骤：
数据搜集—数据清洗—特征工程—数据建模
我们知道，特征工程包括特征构建，特征提取和特征选择。特征工程其实就是把原始数据转化为模型，以此来训练数据的过程。
特征构建
https://zhuanlan.zhihu.com/p/424518359 其他博主对于归一化的解释
在特征构建中，首先给我一堆数据，又多又乱，肯定要先给它数据规范化，让数据分布成我希望看到的样子。然后规范了之后，就需要数据预处理，特别是缺失值的处理、分类型特征处理、连续型特征的处理。
数据规范化：归一化处理：最大最小标准化、Z-Score标准化
那么他们两个最大的区别在哪呢？在于改不改变特征数据的分布。
最大最小标准化：会改变特征数据的分布
Z-Score标准化：不改变特征数据分布
最大最小标准化：
- 线性函数将原始数据线性化的方法转换到[0 1]的范围, 计算结果为归一化后的数据，X为原始数据
- 本归一化方法比较适用在数值比较集中的情况
- 缺陷：如果max和min不稳定，很容易使得归一化结果不稳定，使得后续使用效果也不稳定。实际使用中可以用经验常量来替代max和min
- 应用场景：在不涉及距离度量、协方差计算、数据不符合正太分布的时候，可以使用第一种方法或其他归一化方法（不包括Z-score方法）。比如图像处理中，将RGB图像转换为灰度图像后将其值限定在[0 255]的范围
Z-Score标准化：
- 其中，μ、σ分别为原始数据集的均值和方法。
- 将原始数据集归一化为均值为0、方差1的数据集
- 该种归一化方式要求原始数据的分布可以近似为高斯分布，否则归一化的效果会变得很糟糕。
- 应用场景：在分类、聚类算法中，需要使用距离来度量相似性的时候、或者使用PCA技术进行降维的时候，Z-score standardization表现更好。
特征提取
那么在特征提取方法中，我们首先学到了数据划分：包括数据集是什么？给你一堆数据，你的拆分方法是什么？还有比较重要的降维方法：PCA，其实还有其他的方法，比如ICA，但是针对我的期末考试，就不重点记录了哈哈哈。
数据集：训练集、验证集、测试集
- 训练集：训练数据，调整模型参数、训练模型权重，构建机器学习模型
- 验证集：从训练集中分出的数据来验证模型的性能，作为评价模型性能指标
- 测试集：用新的数据输入训练集，来验证已经训练好的模型的好坏
拆分方法：留出法、K-折交叉验证法
- 留出法：将数据集划分为互斥的集合，保持拆分后集合数据的一致性
- K-折交叉验证法：将数据集拆分为K个大小相似的互斥子集，保证自己数据分布的一致性
为了把原始数据转换成有明显物理/统计意义的特征，就需要构建新的数据，采用的方法通常有PCA、ICA、LDA等。
那么为嘛要进行特征降维呢
- 消除噪声
- 进行数据压缩
- 消除数据的冗余
- 提高算法的精度
- 将数据维度减少至2维或3维，保持数据的可视性
PCA（主成分分析）：通过坐标轴的转换；寻找数据分布的最优子空间
- 输入原数据，结构为（m,n），找出原本的n个特征向量构成的n维空间
- 决定降维后的特征向量：K
- 通过某种变化，找出n个新的特征向量，以及它们构成的新的n维空间V*——矩阵分解
- 找出原始数据在新特征空间V中的n个新特征向量对应的值，即将数据映射到新空间
- 选取前K个信息量最大的特征，删掉未选中的特征，成功将n维空间降维K维
对于特征选择，有以下几种方法：过滤式、包裹式、嵌入式（了解即可）
最后，我们来了解一下超参数和参数的区别：
- 超参数：在开始学习模型之前设置的参数，人为设定，比如padding、stride、k-means的k、深度、卷积核个数和大小、学习率
- 参数：通过一系列的模型训练得到的参数，比如权重w和wx+b里的b。
