历史项目与特征工程的成本估算参数调优实战 - 第4节
4.1 什么是特征工程
特征工程（Feature Engineering）是将原始数据转换为更能代表预测模型潜在问题的特征的过程。在成本估算场景中，原始数据往往包含大量噪声、缺失值和不规范格式，直接输入模型会导致估算偏差。特征工程的核心目标是通过领域知识和数学变换，提取出对成本影响最显著的信息维度。
核心原则：特征工程不是简单的数据清洗，而是通过构造、选择、变换三个步骤，使原始数据与成本估算模型之间建立更直接的映射关系。
特征工程在成本估算中的三大作用
| 作用维度 | 具体说明 | 成本估算示例 |
|---|---|---|
| 降噪 | 剔除异常值、平滑波动、处理缺失值 | 去除因录入错误导致的单日材料成本异常峰值 |
| 增强信号 | 构造能直接反映成本驱动因素的派生特征 | 将"工时"与"单位人工费率"相乘得到"人工成本" |
| 适配模型 | 将非数值数据转换为模型可处理的数值形式 | 将"供应商等级（A/B/C）"编码为有序数值 |
4.2 特征类型详解
成本估算数据集中常见的特征类型分为三类：数值型、类别型和文本型。每种类型需要采用不同的特征工程方法进行处理。
4.2.1 数值型特征
数值型特征是可以进行数学运算的连续或离散数值，在成本估算中最为常见。典型例子包括：工时（小时）、材料用量（吨）、设备台班数、历史单价（元/单位）等。
数值型特征处理要点：重点关注量纲统一、异常值截断、分布偏态修正。例如，材料单价如果跨越多个数量级（0.5元/个 vs 5000元/吨），需要进行对数变换或标准化。
4.2.2 类别型特征
类别型特征表示有限个离散取值，取值之间通常没有数学运算意义。成本估算中的常见类别特征包括：
- 供应商等级：A级、B级、C级（有序类别）
- 施工区域：华东、华南、华北、西南（无序类别）
- 材料类型：钢材、水泥、木材、涂料（无序类别）
- 项目阶段：设计阶段、招标阶段、施工阶段、结算阶段（有序类别）
| 类别性质 | 编码方式 | 成本估算适用场景 |
|---|---|---|
| 有序类别 | 标签编码（Label Encoding） | 供应商等级 → 1/2/3，保留等级差异 |
| 无序类别 | 独热编码（One-Hot Encoding） | 施工区域 → 4个二进制列，避免虚假排序 |
| 高基数类别 | 目标编码（Target Encoding） | 材料供应商ID（100+种）→ 用历史平均成本替代 |
4.2.3 文本型特征
文本型特征在成本估算中常被忽视，但往往包含高价值信息。典型来源包括：项目描述、技术规范、合同条款、变更说明、验收报告等。
常见误区：直接将文本作为字符串输入模型。文本必须经过向量化处理才能被机器学习模型理解。成本估算中，文本特征通常用于提取"风险等级""复杂度""变更频率"等派生指标。
文本型特征在成本估算中的典型处理流程：
- 清洗：去除标点、停用词、统一大小写
- 分词：将连续文本切分为有意义的词或短语
- 向量化：使用TF-IDF或词嵌入将文本转为数值向量
- 降维：通过主题模型或PCA提取核心成本驱动因子
4.3 特征类型选择策略
在实际成本估算项目中，三类特征往往同时存在。选择正确的处理策略直接影响模型精度：
实战建议：优先处理数值型特征（量纲统一），其次处理类别型特征（编码方式选择），最后处理文本型特征（向量化与降维）。文本型特征处理成本最高，仅在数值型和类别型特征无法满足精度要求时引入。
以下是一个典型成本估算数据集的特征类型分布示例：
| 特征名称 | 数据类型 | 示例值 | 推荐处理方法 |
|---|---|---|---|
| 工时（小时） | 数值型 | 120.5 | Z-score标准化 |
| 材料单价（元） | 数值型 | 3500.00 | 对数变换（右偏分布） |
| 供应商等级 | 类别型（有序） | A | 标签编码 → 3 |
| 施工区域 | 类别型（无序） | 华东 | 独热编码 → [1,0,0,0] |
| 项目描述 | 文本型 | "高层住宅，框架结构，地下2层" | TF-IDF向量化 + 主题提取 |