传统编程的关注点是代码。在机器学习项目中，关注点变成了表示。也就是说，开发者通过添加和改善特征来调整模型。
将原始数据映射到特征
图1左侧表示来自输入数据源的原始数据，右侧表示特征矢量，也就是组成数据集中样本的浮点值集。特种工程指的是将原始数据转换为特征矢量。进行特种工程预计需要大量的时间。
机器学习模型通常期望样本表示为实数矢量。这种矢量的构建方法如下：为每个字段衍生特征，然后将它们全部连接在一起。
图1 程序工程将原始数据映射到机器学习特征
映射数据
机器学习模型根据浮点值进行训练，因此整数和浮点原始数据不需要特殊编码。正如图2所示，将原始整数值6转换为特征值6.0是没有意义的：
图2 将整数值映射到浮点值
映射字符串值
模型无法通过字符串值学习规律，因此您需要进行一些特征工作来讲这些值转换为数字形式：
- 首先，为您要表示的所有特征的字符串定义一个词汇表，对于street_name特征，该词汇表中将包含您知道的所有街道。
注意：所有其他街道都可以归入一个笼统的“其他”类别，该类别称为OOV(未收录到词汇表中)桶。
- 然后，使用该词汇表创建一个独热编码，用于将制定的字符串表示为一个二元矢量。在该矢量中：
- 只有一个元素设置为1.
- 其它所有元素均设置为0.
该矢量的长度等于词汇表中的元素数。
图3显示了某条特定街道的独热编码。在此二元矢量中，代表Shorebird Way的元素的值为1，而代表所有其他街道的元素的值为0。
图3 通过独热编码映射字符串
映射分类（枚举）值
分类特征具有一组离散的可能值。例如，名为Lowland Countries的特征只包含三个可能的值：
{'Netherlands', 'Belgium', 'Luxembourg'}
您可能会将分类特征（如 Lowland Countries）编码为枚举类型或表示不同值的整数离散集。例如：
- 将荷兰表示为0
- 将比利时表示为1
- 将卢森堡表示为2
不过，机器学习模型通常将每个分类特征表示为单独的布尔值。例如，Lowland Countries 在模型中可以表示为 3 个单独的布尔值特征：
- x1：是荷兰吗？
- x2：是比利时吗？
- x3：是卢森堡吗？
采用这种方法编码还可以简化某个值可能属于多个分类的情况（例如，“与法国接壤”对于比利时和卢森堡来说都是 True）。