特征处理

tf中的特征处理方式

可以参考tf.feature_column中的处理方法。

• numeric_column 数值列，最常用。

• bucketized_column 该函数将连续变量进行分桶离散化，输出one-hot的结果，方便连续值指标与分类变量进行交叉特征构建

• categorical_column_with_identity 分类标识列，one-hot编码，相当于分桶列每个桶为1个整数的情况。

• categorical_column_with_vocabulary_list 分类词汇列，one-hot编码，由list指定词典。

• categorical_column_with_vocabulary_file 分类词汇列，由文件file指定词典。

• categorical_column_with_hash_bucket 哈希列，整数或词典较大时采用。

• indicator_column 指标列，由Categorical Column生成，one-hot编码

• embedding_column 嵌入列，由Categorical Column生成，嵌入矢量分布参数需要学习。嵌入矢量维数建议取类别数量的 4 次方根。

• crossed_column 交叉列，可以由除categorical_column_with_hash_bucket的任意分类列构成。

连续特征

离散特征

组合特征

最基础的特征交叉如性别和年龄，比如性别=女，年龄<35做为特征的一个值，这样的缺点是该组合特征的维度会很大m*n。比如MF模型中的所有的二阶交叉特征，缺点就在于维度过大。

树模型天然可以进行特征组合，如下图：