表现 (Representation)：精良特性的特点

我们探究了将原始数据映射到切合特性矢量的办法，但这只是事情的一局部。如今，我们必需探究什么样的值才算这些特性矢量中精良的特性。

制止很少使用的散伙特性值

精良的特性值应该在数据会合显现约莫 5 次以上。如此一来，模子就可以学习该特性值与标签是怎样关联的。也就是说，多量散伙值相反的样本可让模子天然会了解不同设置中的特性，从而推断何时可以对标签很好地做出猜测。比如，house_type 特性约莫包含多量样本，此中它的值为 victorian：

?house_type: victorian

相反，假如某个特性的值仅显现一次大概很少显现，则模子就无法依据该特性举行猜测。比如，unique_house_id 就不适互助为特性，由于每个值只使用一次，模子无法从中学习任何纪律：

?unique_house_id: 8SK982ZZ1242Z

最好具有明晰明白的涵义

每个特性关于项目中的任何人来说都应该具有明晰明白的涵义。比如，底下的房龄适互助为特性，可立刻识别是以年为单位的房龄：

?house_age: 27

相反，关于下方特性值的涵义，除了创建它的工程师，其他人恐怕辨识不出：

?house_age: 851472000

在某些情况下，杂乱的数据（而不是糟糕的工程选择）会招致涵义不明晰的值。比如，以下 user_age 的泉源没有反省值得当与否：

?user_age: 277

实践数据内不要掺入特别值

精良的浮点特性不包含超出范围的特别断点或特别的值。比如，假定一个特性具有 0 到 1 之间的浮点值。那么，如下值是可以承受的：

?quality_rating: 0.82 quality_rating: 0.37

不外，假如用户没有输入 quality_rating，则数据集约莫使用如下特别值来表现不存在该值：

?quality_rating: -1

为处理特别值的成绩，需将该特性转换为两个特性：

• 一个特性只存储质量评分，不含特别值。
• 一个特性存储布尔值，表现对否提供了 quality_rating。为该布尔值特性指定一个称呼，比如 is_quality_rating_defined。

思索高明不安定性

特性的界说不应随时间产生厘革。比如，下列值是有效的，由于都市称呼寻常不会改动。（注意，我们仍旧必要将“br/sao_paulo”如此的字符串转换为独热矢量。）

?city_id: "br/sao_paulo"

但搜集由其他模子推理的值会产生分外本钱。约莫值“219”现在代表圣保罗，但这种表现在将来运转其他模子时约莫容易产生厘革：

?inferred_city_cluster: "219"