*特征工程是一个复杂活，本人认为它一般包括以下几个过程：特征初筛、特征衍生(加工)、特征选择；
特征筛选是一个精细活，需要考虑很多因素，比如：预测能力、相关性、稳定性、合规性、业务可解释性等等。
从广义上，特征筛选可从业务指标和技术指标两大类出发：
1.业务指标包括：
1). 合规性：用以加工变量的数据源是否符合国家法律法规？是否涉及用户隐私数据？例如，如果某块爬虫数据被监管，那么相关变量的区分度再好，我们也只能弃用。
2). 可得性：数据未来是否能继续采集？这就涉及产品流程设计、用户授权协议、合规需求、模型应用环节等诸多方面。例如，如果产品业务流程改动而导致某个埋点下线，那么相关埋点行为变量只能弃用。又比如，如果需要做额度授信模型，那么只能利用在额度阶段能采集到的实时数据，这就需要提前确认数据采集逻辑。
3). 稳定性：一方面，数据源采集稳定是变量稳定性的基本前提。例如，外部数据常会因为政策性、技术性等原因导致接入不稳定，这就需要做好数据缓存，或者模型降级机制。另一方面，变量取值分布变化是导致不稳定的直接原因。我们将会采取一些技术指标展开分析，下文将会介绍。
4). 可解释性：需要符合业务可解释性。如果变量的业务逻辑不清晰，那么我们宁可弃之。同时，这也是保证模型可解释性（参数 + 变量）的前提。
5). 逻辑性：也就是因果逻辑，特征变量是因，风控决策是果。如果某个变量是风控系统决策给出的，那么我们就不能入模。例如，用户历史申贷订单的利率是基于上一次风控系统决策的结果，如果将“用户历史申贷订单的利率”作为变量，那么在实际使用时就会有问题。
6). 可实时上线：模型最终目的是为了上线使用。如果实时变量不支持加工，那么对应的离线变量就只能弃之。例如，某个离线变量在统计时限定观察期为180天，但线上只支持观察期为90天，那么就不可用。对于不熟悉线上变量加工逻辑的新手，往往容易踩坑而导致返工。
2.技术指标包括：缺失率、变异系数、稳定性、信息量、特征重要性、变量聚类、线性相关性、多重共线性、逐步回归、P-Vaule显著性检验，以及特征选择系列算法等；
2.1 基于缺失率（Missing Rate）
1）功能：统计变量缺失率，并计算缺失率的均值、标准差。
2）指标：缺失率 = 未覆盖样本数 / 总样本数 × 100%
3）业务理解：变量缺失率越高，可利用价值越低。缺失率变化不稳定的变量，尤其是缺失率趋势在升高，代表未来数据源采集率下降，不建议采用。数据源是特征变量的基础，数据源不稳定，直接导致模型稳定性变差。
2. 基于变异系数（Coefficient of Variation，CV）
1）功能：基于数据分布EDD，选择某个指标（如均值mean）计算变异系数CV，用来衡量变量分布的稳定性，再设置阈值进行筛选。
2）指标：变异系数 CV =（ 标准偏差 SD / 平均值Mean ）× 100%
3）业务理解：变异系数越小，代表波动越小，稳定性越好。缺点在于CV没有统一的经验标准。
3. 基于稳定性（Population Stability Index，PSI）
1）功能：以训练集（INS）分布为期望分布，计算变量的群体稳定性指标PSI，再根据PSI的经验阈值进行筛选。
2）指标：psi计算公式；
3）业务理解：需分申请层、放款层，分别评估变量稳定性。通常会选择0.1作为阈值，只要任意一个不满足稳定性要求就弃用。PSI无法反映很多细节原因，比如分布是右偏还是左偏。此时需要从EDD上进行分析。
4. 基于信息量（Information Value，IV）
1）功能：统计变量的IV，再根据IV的经验阈值来筛选。
2）指标：IV。可参考《WOE与IV指标的深入理解应用》
3）业务理解：用以评估变量的预测能力。通常情况下，IV越高，预测能力越强。但IV过高时，我们就要怀疑是否发生信息泄漏（leakage）问题，也就是在自变量X中引入了Y的信息。
5. 基于特征重要性
1）功能：根据树模型训练后给出的特征重要性，一般选择累积重要性Top 95%的变量。若要为降低一次训练所导致的随机性影响，可综合多次结果来筛选。
2）指标：特征重要性。
XGBoost实现中Booster类get_score方法输出特征重要性，其中importance_type参数支持三种特征重要性的计算方法：weight、gain、cover；
3）业务理解：在特征变量特别多的时候，可用于快速筛选特征。从机器学习可解释性角度而言，特征重要性只具有全局可解释性，无法对单个case给出解释。
6. 变量聚类（Variable Cluster，VarClus）
功能：列聚类，将所有变量进行层次聚类，再根据聚类结果，剔除IV相对较低的变量。
7. 基于线性相关性（Linear Correlation）
1）功能：计算变量的线性相关性，相关性较高的多个变量里，保留IV较高的变量。
2）指标：皮尔逊相关系数（Pearson Correlation Coefficient），系数的取值为[-1, 1]，两变量相关系数越接近0，说明线性相关性越弱；越接近1或-1，说明线性相关性越强。
3）业务理解：逻辑回归作为一种线性模型，其基础假设是：自变量 (x1, x2) 之间应相互独立。当两变量间的相关系数大于阈值时（一般阈值设为0.6），剔除IV值较低的变量。
8. 基于多重共线性（Multicollinearity）
1）功能：计算变量的方差膨胀因子（Variance Inflation Factor，VIF），适用于线性模型，再根据阈值剔除VIF较高的变量。
2）指标：通常用VIF衡量一个变量和其他变量的多重共线性。
3）业务理解：VIF取值的业务含义为：
若VIF < 3，说明基本不存在多重共线性问题
若VIF > 10，说明问题比较严重。
9. 基于逐步回归（stepwise)
- 前向选择（forward selection）：逐步加入变量，计算指标进行评估，若不合格则不加入，直到评估完所有变量。
- 后向选择（backward selection）：初始时加入所有变量，根据指标逐渐剔除不合格的变量。
- 逐步选择（stepwise）：将向前选择和向后选择的结合，逐步放入最优的变量、移除最差的变量。
10. 基于P-Vaule显著性检验
1）功能：用于检验自变量X与因变量Y之间的相关性，可剔除P值大于0.05的变量。
2）指标：P-Vaule。
3）业务理解：根据逻辑回归参数估计表，剔除P值大于0.05的变量。
11.特征选择系列算法
- 过滤式：互信息(MI)、最大信息系数(MIC)、信噪比(IR)等
- 封装式：BPSO-SVM等，这个不常用；
- 嵌入式：lasso、K-split lasso、iter_lasso等；
- 集成式：多个特征选择方法结果集成，可解决不稳定的问题；
- 其它：也可多种方法混合成一种新的特征选择方法，如：过滤式+嵌入式的模式等；
来源：https://www.cnblogs.com/iihcy/p/12388508.html