特徵工程 是什麼？

Feature Engineering — 特徵工程 的完整解釋

特徵工程透過創建、轉換與選擇原始資料的代表性特徵，顯著提升機器學習模型的預測效果

容易混淆

特徵工程 vs 特徵擷取 特徵工程偏向人為設計和轉換，像把生日變成年齡。 特徵擷取偏向從原始資料自動抽出表示，像把圖片轉成向量特徵。

特徵工程 vs 模型訓練 特徵工程是在準備輸入。 模型訓練是在學怎麼用這些輸入做預測，兩者前後順序不同。

記住這句就好

特徵做得好，模型才有材料可學。

實際案例

信用評分 把收入、負債比、繳款紀錄整理成更有判斷力的欄位，模型才比較能分出風險。

電商推薦 把最近點擊、瀏覽次數、品類偏好整理成特徵，推薦結果通常會比只看原始交易表更準。

算法與應用

常見做法包含數值轉換、類別編碼、時間特徵、交互特徵和缺值處理。 在傳統機器學習裡，它常直接影響模型上限，在深度學習裡，仍會影響輸入品質與訓練穩定度。

特徵工程 在 iPAS 考試中的重點

根據歷年統計，特徵工程 相關題目 平均佔 AI 技術類考題 7%， 屬於高頻考範圍。

常見出題方向：特徵工程的步驟與方法（45%）、資料前處理技術辨別（35%）、特徵選取與轉換方法（20%）。

常見問題

特徵工程一定要很會寫程式嗎？

不一定，懂資料和業務脈絡常比會不會套工具更重要。

特徵工程和資料清理是一樣的嗎？

不一樣，資料清理是修錯資料，特徵工程是把資料變得更能幫模型判斷。

特徵工程會不會過度依賴經驗？

會有這個風險，所以通常要搭配驗證集和交叉驗證檢查效果。

自動化特徵工程有沒有用？

有，但它適合先擴充候選方向，最後仍常需要人工判斷哪些特徵真的合理。