3. 材料特征工程入门

在材料性能机器学习回归中，模型的上限往往在特征工程阶段就已经被决定。原始数据通常只有一张“配方—工艺—性能”表：成分质量分数、热处理温度、保温时间、冷却方式、晶粒尺寸、相组成、硬度、屈服强度等。若直接把成分列和工艺列丢给回归器，模型既难以收敛，也无法解释“为什么这个成分区间强度更高”。特征工程的任务，是把这些原始记录翻译成一组物理含义明确、量纲可控、分布合理的描述符，让模型学到的是材料学规律，而不是数据表的列名。

三类描述符：成分、工艺、结构

材料特征通常可分为三个层次。第一层是成分描述符：各元素的质量分数或摩尔分数，以及由它们派生的合金平均电子浓度、原子尺寸差、混合焓、混合熵、价电子浓度等。第二层是工艺描述符：温度、时间、升温速率、冷却速率、变形量、气氛等，它们决定材料经历的热力学与动力学路径。第三层是结构描述符：晶粒尺寸、相体积分数、位错密度、织构强度、孔隙率等，它们最接近性能的物理来源，但往往测量成本最高、缺失最多。

一个常见的误区是只保留成分而忽略工艺与结构。例如同样是 Ti-6Al-4V，退火态与固溶时效态的屈服强度可相差数百 MPa，若工艺列被丢弃，模型只能把差异归因于成分噪声。因此，特征集应尽量覆盖“成分—工艺—结构”链条，即使结构特征部分缺失，也可通过工艺特征间接表达。

物理化学特征：把领域知识写进特征

比原始列更有价值的是物理化学特征，即用材料学公式把原始量组合成有明确物理意义的量。以高熵合金为例，常用特征包括：

• 混合熵 ΔS_mix = −R Σ c_i ln c_i，反映固溶体稳定性；
• 混合焓 ΔH_mix = Σ_i≠j 4ΔH_ij^mix c_i c_j，反映原子间亲和性；
• 原子尺寸差 δ = 100·√(Σ c_i(1−r_i/r̄)²)，反映晶格畸变倾向；
• 价电子浓度 VEC = Σ c_i VEC_i，用于区分 FCC/BCC 相稳定区间。

这些特征把“成分”从一组无关联的分数，转化为可解释的物理量。回归模型在 ΔS_mix 与 δ 构成的平面上学习相形成规律，比在五维成分空间中学习更稳定，也更容易向新成分外推。

量纲统一与分布处理

不同特征量纲差异极大：温度约 10³ K，时间约 10³ s，晶粒尺寸约 10¹ μm，而成分分数在 0～1 之间。若直接输入基于距离的模型（如 KNN、SVR、神经网络），温度会主导距离计算，成分几乎被淹没。因此需要量纲统一。常用做法是对每个特征做标准化：z = (x − μ)/σ，使其均值为 0、标准差为 1；或做极差归一化：x' = (x − x_min)/(x_max − x_min)，把值压缩到 [0,1]。

但标准化并非万能。材料数据常出现偏态分布：晶粒尺寸、疲劳寿命、断裂伸长率往往右偏，少数大值拉长尾部。此时可先做对数变换 log(x)，再标准化；对成分分数这类有界量，可使用 logit 变换 log(x/(1−x)) 拉开两端。对存在极端离群点的特征，可考虑稳健标准化 (x − median)/IQR，避免均值和标准差被少数异常值带偏。

特征筛选与共线性处理

初始特征集往往包含几十甚至上百列，其中不少高度相关。例如 ΔS_mix 与成分熵、VEC 与平均族数可能近似线性相关。共线性会使线性回归系数不稳定，也会让树模型的重要性解释失真。常用处理方式：计算特征间 Pearson 或 Spearman 相关系数矩阵，对 |r| > 0.9 的特征对，保留物理意义更明确或缺失更少的一个；也可用方差膨胀因子 VIF 检查，VIF > 10 视为存在明显共线性。

筛选时建议保留“物理可解释性优先”原则：宁可少几个特征，也不要为了提升千分之一的 R² 而引入难以解释的组合量。对回归任务，可结合递归特征消除（RFE）或基于随机森林的重要性排序，但最终特征集应由材料学判断把关。

缺失值与异常值

结构描述符缺失最常见。若缺失比例低于 5%，可对数值特征用中位数填充、类别特征用众数填充；若缺失比例较高，应增加“是否缺失”指示列，让模型自行学习缺失模式。异常值方面，成分总和偏离 100%、温度为负、晶粒尺寸为 0 等属于物理不可能值，应直接修正或剔除；而性能上的极端值可能是真实的高性能样本，不应盲目删除，可先标记并在建模时用稳健损失函数处理。

一个可执行的特征工程流程

下面给出一个可直接套用的处理顺序，适用于大多数材料回归任务。假设原始表有成分、工艺、结构、性能四类列，目标为屈服强度。

1. 物理校验：成分总和归一化到 100%，剔除 T<0、d≤0 等非法值
2. 构造物理化学特征：ΔS_mix、ΔH_mix、δ、VEC、r̄
3. 偏态诊断：对每个数值特征计算偏度
   - |skew| > 1 且值域为正 → log(x)
   - 成分分数 → logit(x)
4. 缺失处理：数值列中位数填充，并新增“_is_missing”指示列
5. 共线性筛查：相关系数矩阵，|r| > 0.9 的特征对保留物理意义更强者
6. 标准化：对最终特征做 z-score，保存 μ 与 σ 供预测时复用
7. 输出：特征矩阵 X 与目标向量 y，附特征字典说明

其中第 6 步的 μ 与 σ 必须来自训练集，并原样应用到验证集和测试集，否则会造成数据泄漏，使评估结果虚高。这是材料机器学习中最常见也最隐蔽的错误之一。

结果如何判断

特征工程是否有效，不能只看模型 R²。建议同时观察三点：其一，收敛性——标准化后线性模型和神经网络的训练损失是否更平滑下降；其二，重要性排序——随机森林或 SHAP 给出的前几个特征是否与材料学预期一致，例如 VEC 对相稳定性的影响、晶粒尺寸对屈服强度的 Hall-Petch 关系；其三，外推稳定性——在留出的新成分或新工艺样本上，误差是否明显小于未做特征工程的基线。若重要性排序出现“温度权重远大于成分”这类与物理直觉相悖的结果，往往说明量纲未统一或存在泄漏，应回到第 3～6 步复查。

特征工程不是一次性动作，而是随数据积累和模型反馈不断迭代的过程。初始特征集应保持“少而可解释”，随着对材料机理理解的深入，再逐步加入交互项、工艺路径特征或从文献中提炼的新描述符。一个能被材料学家读懂的特征表，远比一个黑箱高维特征集更有长期价值。