1. 缺失值处理

适用条件：

  1.   - 树模型对于缺失值敏感度较低，大部分模型可以直接处理缺失值
  2.   - 涉及到距离度量的模型对缺失值敏感，如KNN、SVM、线性函数
  3.   - 神经网络鲁棒性强，不敏感，但是需要大量数据

连续值：使用所有样本的均值或中位数
离散值：使用众位数
或作为新值

2. 特殊的特征处理

适用条件：有些特征的默认取值比较特殊，一般需要做了处理后才能用于算法。比如时间，比如显示20180519，这样的值一般没办法直接适用，需要特殊变换。

1. 时间特征

  1.   - 使用连续的时间差值法，计算出所有样本的时间到某一个未来时间之间的数值差距，从而将时间特征转化为连续值
  2.   - 根据时间所在的年、月、日、星期几、小时数，将一个时间特征转化为若干个离散特征。（在分析具有明显时间趋势的问题较好用）
  3.   - 权重法，根据时间的新旧得到一个权重值，如对商品，三个月前购买的设置较低权重值，最近的设置较高权重值

2. 地理特征

  1.   - 处理成离散值：转化为多个离散特征，如城市名、曲线名、街道等
  2.   - 处理成连续值：如经纬度

3. 连续特征的离散化处理

（这里的离散与分箱不同，会增加特征维度，类似one-hot）
好处：

  1.   1. 速度快：稀疏向量内积运算速度快（样本各维度都是0、1）
  2.   1. 更鲁棒：如设置年龄>30为1，否则为0，存在样本年龄=300，不会对模型产生大的干扰；若某特征权重很大，则该特征的微小变化都会导致结果产生很大变化，离散化能缓解这个问题
  3.   1. 提升表达能力：逻辑回归属于广义线性模型，![](https://cdn.nlark.com/yuque/__latex/05c0476d2eb6d4d46c0be30e21c54243.svg#card=math&code=y%3Dw%2AA%0A&height=18&width=71)变为![](https://cdn.nlark.com/yuque/__latex/abebf744ebc4c06d491ef0217c1d2c08.svg#card=math&code=y%3Dw_1%2AA_1%2Bw_2%2AA_2%2Bw_3%2AA_&height=18&width=239)（单个特征使用one-hot变为多个特征），变为了分段的线性函数，引入了非线性，提升表达能力
  • 方法一，根据阈值进行分组
  • 方法二，利用决策树进行one-hot编码