特徵工程的處理方法有以下三種，
特徵組合、特徵篩選和特徵評估，
資料來源參考機器學習百日馬拉松。

特徵組合

數值與數值

在計程⾞費預估中，有四個欄位分別表示起終點的經緯度，
合理理的想法是，將這四個特徵看成座標，
因此⽤平⾯座標距離組合出來的特徵，更有預測⼒也非常合理。

類別和數值

取類別平均值 (Mean) 取代險種作為編碼，
但因為比較像性質描寫，因此還可以取其他統計值，
如中位數 (Median)，眾數(Mode)，最⼤值(Max)，最⼩值(Min)，次數(Count)...等。

特徵篩選

特徵需要適當的增加與減少，以提升精確度並減少計算時間。

• 過濾法 (Filter) : 選定統計數值與設定⾨檻，刪除低於⾨檻的特徵
• 包裝法 (Wrapper) : 根據⽬標函數，逐步加入特徵或刪除特徵
• 嵌入法 (Embedded) : 使⽤機器學習模型，根據擬合後的係數，刪除係數低於門檻的特徵

特徵評估

• 分⽀次數：如下圖，最重要的特徵是「房間數」
• 特徵覆蓋度：如下圖，「坪數」與「房間數」的覆蓋度相同(都是8)
• 損失函數降低量：看損失函數 (loss function) 決定

處理完特徵工程後，
接著就是「機器學習」了，
繼續前進吧！

以上，打完收工。