第17步 机器学习分类实战：特征工程（上）

前言

再一次给你们植入思想钢印：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。
不要过度沉迷于什么高级模型、先进算法，数据质量好、特征提取到位，逻辑回归照样媲美深度学习，甚至吊打。

然而，现实是大家都在追求热点，单纯的逻辑回归发（灌水）不了好杂志，所以，都得学，都得会。
说了那么多，就是让你们重视数据收集、清洗和特征工程！！！

因此，怎么选择特征，选择什么特征来建模，已经上升到“工程”的高度，特征工程由此而来。它的目的在于最大限度地从原始数据中提取特征以供构建模型。

一、差异分析

这一步，让大家回到学习卫生统计学的苦逼岁月。还记得啥叫一类错误？t检验的使用条件是什么？方差分析的两两比较能用t检验么…

我们的例子是二分类的判别，所以是两组间的比较，还记得不：连续资料用的是t检验（正态分布）或者秩和检验（不满足t检验的要求），分类资料使用的是卡方检验。

（1）连续资料的差异分析

① t检验（应该叫独立样本t检验）
首先我们来看看t检验的适用前提条件：
A）为连续变量；
B）分为2组；
C）数值之间相互独立；
D）数值不存在显著的异常值；
E）数值在各组内接近正态分布；
F）两组的变量的方差相等。

嗯，确实限定条件很多的，所以独立样本t检验可不能无脑用。
我们来看下自己的数据：
A）首先特征I到R都是连续变量，这个OK；