4、特征工程基础：特征提取、特征选择、特征降维

设备画像建得好不好，七成功夫在特征工程上。这话不是我说的，是干这行久了自然就明白的道理。你想想看，原始数据就像一堆没洗过的矿石，直接拿去建模，出来的东西肯定不靠谱。

我个人习惯把特征工程分成三步走：先提取，再选择，最后降维。每一步都有它的门道，咱们一个一个说。

4.1 特征提取：从原始数据里挖金子

特征提取，说白了就是把设备的各种原始信号转成有意义的数值。我见过不少新手，上来就把几十个传感器数据直接扔进模型，结果模型跑出来一团糟。

设备数据通常分三类：

• 时域特征：均值、方差、峰值、均方根值
• 频域特征：频谱能量、主频幅值、频率重心
• 统计特征：偏度、峰度、百分位数

举个例子，我在处理风机振动数据时，光看原始波形根本看不出问题。但提取出均方根值和峰值因子后，轴承磨损的特征就非常明显了。

这里给一段简单的特征提取代码，用Python实现：

import numpy as np
import pandas as pd

def extract_features(signal, fs=1000):
    features = {}
    # 时域特征
    features['rms'] = np.sqrt(np.mean(signal**2))
    features['peak'] = np.max(np.abs(signal))
    features['crest_factor'] = features['peak'] / features['rms']
    
    # 频域特征
    fft_vals = np.fft.fft(signal)
    freqs = np.fft.fftfreq(len(signal), 1/fs)
    features['spectral_centroid'] = np.sum(freqs * np.abs(fft_vals)) / np.sum(np.abs(fft_vals))
    
    return features

4.2 特征选择：去粗取精的艺术

特征提取完了，你可能得到上百个特征。但别高兴太早，这里面至少有一半是冗余的。特征选择就是帮你挑出真正有用的那部分。

常用的方法有三种：

方法类别	代表算法	适用场景	我的经验
过滤法	方差阈值、卡方检验	特征数量大，快速筛选	适合做第一道粗筛
包裹法	递归特征消除	特征数量适中，精度要求高	计算量大，但效果好
嵌入法	Lasso回归、随机森林	特征与模型一起优化	我最常用的方法

为什么会这样？因为不同方法看问题的角度不一样。过滤法只看单个特征跟目标的关系，包裹法看特征组合的效果，嵌入法则把特征选择嵌在模型训练里。

我曾经在一个设备故障诊断项目里，用随机森林的特征重要性排序，把200多个特征砍到只剩15个。模型精度反而从82%提升到了91%。你想想看，特征多了不一定是好事。

4.3 特征降维：化繁为简的智慧

特征选择和降维有什么区别？我打个比方你就明白了。特征选择是「挑水果」，从一堆水果里挑出好的。特征降维是「榨果汁」，把多种水果混合榨成汁，保留营养但形态变了。

降维的核心思想，就是把高维空间的数据映射到低维空间，同时尽量保留原始数据的结构信息。

常用的降维方法：

• PCA（主成分分析）：线性降维，保留方差最大的方向
• t-SNE：非线性降维，擅长可视化
• UMAP：兼顾全局结构和局部结构

我个人习惯在设备画像构建中优先用PCA。原因很简单：它计算快，结果可解释，而且对设备数据的线性结构保留得不错。

from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler

# 标准化很重要，不然量纲差异会主导主成分
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# PCA降维，保留95%方差
pca = PCA(n_components=0.95)
X_pca = pca.fit_transform(X_scaled)

print(f"原始特征数: {X.shape[1]}")
print(f"降维后特征数: {X_pca.shape[1]}")
print(f"各主成分方差解释率: {pca.explained_variance_ratio_}")

4.4 三者的关系与选择策略

特征提取、选择、降维，这三者不是互斥的，而是可以组合使用的。我一般按这个流程走：

1. 先提取：从原始数据中生成尽可能多的候选特征
2. 再粗筛：用过滤法快速剔除明显无用的特征
3. 后精选：用嵌入法或包裹法做精细选择
4. 最后降维：如果特征维度仍然很高，用PCA做最终降维

下面这张图展示了整个特征工程的流程：

嗯，这里要注意一点：不是所有场景都需要走完这三步。如果原始特征本来就不多，比如只有二三十个，那直接做特征选择就够了，没必要再降维。

4.5 实战中的避坑指南

做了这么多年设备画像，我总结了几条血泪教训：

• 不要盲目追求特征数量：特征多不等于模型好。我见过有人提取了500多个特征，结果模型精度还不如用20个关键特征。
• 注意特征的时间对齐：设备数据往往是时间序列，不同传感器采样频率可能不同。提取特征时一定要对齐时间戳，不然特征之间会有相位差。
• 保留原始数据的备份：特征工程做完了，原始数据别删。我吃过这个亏，后来发现特征提取逻辑有bug，但原始数据已经清掉了，只能重新采集。
• 特征工程要跟业务对齐：别光看统计指标，要跟设备工程师聊。他们知道哪些参数对设备状态最敏感，这些信息比任何算法都值钱。