【数据科学】鱼水说竞赛：如何做好「特征工程」？

在参加结构化比赛时，做特征工程时候，是先筛选特征，还是先做特征编码呢？

可以先利用一些统计值筛选特征，比如缺失比例大于99%，或者信息量较少的特征。

然后再去做特征编码，在编码后也可以利用模型去筛选特征。

那特征筛选是一定要做的吗？在训练模型之后做？

如果原始数据的特征足够有效，则可以不做特征筛选。

在做加特征的时候也要注意不要加无效的特征，否则也会增加筛选的难度。

利用统计值筛选和利用模型筛选区别大吗？

利用统计值筛选，会更加靠谱一些。如果利用模型筛选，则是「嵌入式」的筛选方法。

对于类别字段，有OneHot、标签编码、频率编码和目标编码，都要做吗？

并不是都要做。首先看类别字段的取值空间，如果足够小，则可以考虑OneHot。

然后再去通过EDA分析一下频率编码和目标编码是不是足够有区分性。再去决定做不做。

类别取值的空间会影响具体的编码操作？

这个肯定的。普通类别和高基数类别的操作是不一样的。

如何根据特征A和特征B构造新的特征？

A+B、A-B、A*B

group(A)[B]等

意思是都可以试试？

建议从EDA先分析，如果能分析新特征与标签存在相关性，则可以做。

在比赛中，基于模型如何筛选特征？

我个人比较喜欢排列重要性、shap value、null importance。

那如何筛选之后分数下降，怎么办？

那就可以考虑保留下来，好的筛选方法筛选结果一般不会对精度有很大影响。