我們探索了將原始數據映射到合適特征矢量的方法，但這只是工作的一部分。現在，我們必須探索什麽樣的值才算這些特征矢量中良好的特征。

避免很是使用的離散特征值

良好的特征值應該在數據集中出現大約 5 次以上。這樣一來，模型就可以學習該特征值與標簽是如何關聯的。也就是說，大量離散值相同的樣本可讓模型有機會了解不同設置中的特征，從而判斷何時可以對標簽很好地做出預測。例如，house_type 特征可能包含大量樣本，其中它的值為 victorian：

house_type: victorian

相反，如果某個特征的值僅出現一次或者很少出現，則模型就無法根據該特征進行預測。例如，unique_house_id 就不適合作為特征，因為每個值只使用一次，模型無法從中學習任何規律：

unique_house_id: 8SK982ZZ1242Z

最好具有清晰明確的含義

每個特征對於項目中的任何人來說都應該具有清晰明確的含義。例如，下面的房齡適合作為特征，可立即識別為年齡：

house_age: 27

相反，對於下方特征值的含義，除了創建它的工程師，其他人恐怕辨識不出：

avoidedhouse_age: 851472000

在某些情況下，混亂的數據（而不是糟糕的工程選擇）會導致含義不清晰的值。例如，以下 user_age 的來源沒有檢查值恰當與否：

user_age: 277

不要將“神奇”的值與實際數據混為一談

良好的浮點特征不包含超出範圍的異常斷點或“神奇”的值。例如，假設一個特征具有 0 到 1 之間的浮點值。那麽，如下值是可以接受的：

quality_rating: 0.82
quality_rating: 0.37

不過，如果用戶沒有輸入 quality_rating，則數據集可能使用如下神奇值來表示不存在該值：

quality_rating: -1

為解決神奇值的問題，需將該特征轉換為兩個特征：

• 一個特征只存儲質量評分，不含神奇值。
• 一個特征存儲布爾值，表示是否提供了 quality_rating。為該布爾值特征指定一個名稱，例如 is_quality_rating_defined。

考慮上遊不穩定性

特征的定義不應隨時間發生變化。例如，下列值是有用的，因為城市名稱一般不會改變。（註意，我們仍然需要將“br/sao_paulo”這樣的字符串轉換為獨熱矢量。）

city_id: "br/sao_paulo"

但收集由其他模型推理的值會產生額外成本。可能值“219”目前代表聖保羅，但這種表示在未來運行其他模型時可能輕易發生變化：

inferred_city_cluster: "219"

引用：

表示 (Representation)：良好特征的特點

表示法--良好的特征特點