所謂參數，是在ML裡面最關鍵也最麻煩的部分，俗話說garbage in garbage out，輸入的內容不洽當，模型做得再好也無用武之地。

在ML裡面會納入的參數，我們也稱之為特徵，參數的內容值也稱作特徵值，這個所謂特徵值是一個不精準的口語講法，跟數學上的「特徵值」有些出入，事先聲明接下來講的特徵值是一個概念名詞而已，講得是參數內容。

收集資料的概念，其實大家不難理解，透過log data或者DB的raw data，基本上身為系統工程師的一員，能夠輕易取得資料或者做些對資料收集上的調整。

決定完命題之後，第一的困難會是參數上的處理，也就是所謂的「資料清洗」和「特徵工程」，而其中「資料清洗」相對我們本業來說，是相對簡單的部分，本身log資料能夠在elk完整顯現，已經是歷經一段格式整理和規範之下的產物，系統本身也有資料parser或者二次重組的服務，所以在這一點，所謂的基礎建設問題，有著先天的優勢。

問題會在於「特徵工程」上，編碼的處理方式是我們未曾經歷的體驗，為什麼需要編碼呢？問題回到我們要訓練的模型，是一堆數學公式的運算，運算後得出的也是一個數學函式的模型，簡單的概念例如地址、客戶性別、客戶登入的裝置來源等等，這些資料在經過轉換成數字之前，是無法參與數學運算，所以這些資料要經過「編碼」。

編出的數字，有時候因為數字本身有次序性，因此編碼方式就需要有所考量，舉例來說：0、1、2、3、4、5，不只我們直覺上就對這些關係有大小之分，連電腦系統的四則運算都會對它們的等式都會有所區別。

以下舉兩個常見的編碼例子：

有順序性的編碼(Ordinal Encoding)

假設客戶的月收入用級距萬元區分

1. 10000元以下 ⇒ 編成 0
2. 10000~20000 ⇒ 編成 1
3. 20000~30000 ⇒ 編成 2
4. 30000~40000 ⇒ 編成 3
5. 40000~50000 ⇒ 編成 4
6. 50000以上 ⇒ 編成 5

原本的資料本身就有次序的意義，所以編碼也要使用有次序的編碼比較適用。

無順序性的編碼(One-Hot Encoding)

假設居住地有 基隆市、台北市、新北市、桃園市、台中市、高雄市

將這6個地區編成0~5就不太適合，因為這些地區資料本身無前後次序之分。

比較好的做法，是比方說編成2進位的形式之類，比較符合資料的原意。

基隆市 ⇒ 000001

台北市 ⇒ 000010

新北市 ⇒ 000100

桃園市 ⇒ 001000

台中市 ⇒ 010000

高雄市 ⇒ 100000

簡單來說，編碼就是把既有的資料想辦法數學化，訓練模型可以想做是一連串routine的數學運算，不斷重複計算直到得出評估之後相對最好的結果，因此在這之前需要將我們的資料轉換成適當的數字。