资料内容：
特征工程与特征选择
机器学习处理流程
问题建模->数据探索->特征工程->模型训练->模型融合
特征工程
特征工程是对原始数据进行一系列的处理，旨在去除原始数据中杂质和冗余，设计更加高效的特
征以刻画求解的问题与预测模型之间的关系。
常用数据类型：
1）结构化数据：可看作数据库中一张表，每列有明确定义，包含数值型和类别型两种
2）非结构化数据：包含文本，图像，音频等，其包含信息无法用一个简单数值表示。
1. 数值型特征
特征归一化(normalization)是在数值类型的特征上做的，为了消除数据特征之间的量纲影
响，需要对特征进行归一化处理，使得各指标处于同一数量级，让他们之间具有可比性。在
实际应用中，通过梯度下降法求解的模型通常需要归一化。之所以要归一化是因为在更新参
数是，不同特征的范围不同，参数更新速度也会不同，归一化后会更加容易找到最优解。
a. 线性函数归一化(Max-Min Scaling)。对原始数据进行线性变化，使结果映射到[0,1]的范
围，实现对原始数据的等比缩放。
