更新于 2026年10月15日全文 872 字未阅读

数值型数据：模型如何使用特征向量构建输入#

到目前为止，我们一直给人一种印象：模型直接作用于数据集中的行上（即直接将每一行作为模型的输入）。但实际上，输入到模型的数据与这种直觉并不完全一致。

模型并不直接使用原始单元格#

设想一个数据集一共有 5 列（column），但模型只会用到其中 2 列（列 b 和列 d）作为特征。那么当模型处理第 3 行样本时，它是不是简单地"抓取"第 3 行的两个高亮单元格（3b 和 3d）作为输入呢？

图 1. 并非模型读取数据的真实方式

事实上，真正作为模型输入的是一组由浮点数值组成的数组，称为「特征向量（feature vector）」。你可以把特征向量理解为：组成单个样本的、所有浮点数的集合。

图 2. 接近真实情况，但仍不够准确

然而，特征向量几乎从不直接使用数据集中的原始值。通常需要先把数据集的原始值处理成"模型更容易学习的表示形式"（即标准化），再喂给模型。一组更接近真实情况的特征向量可能看起来像这样：

图 3. 一个更真实的特征向量

用数据集的真实值训练，模型的预测效果不是应该比用转换后的值更好吗？

反直觉的答案是：不。用数据集的原始值训练，并不会比用经过转换的值产生更好的预测效果。

你需要自己决定"把数据集中的原始值如何表达为更有利于模型训练的特征向量"，这个过程叫做「特征工程（feature engineering）」，是机器学习中至关重要的环节之一。

最常见的两种特征工程技术是：

本节内容将覆盖归一化与分箱。在下一节内容中——处理分类数据——则将覆盖其它形式的预处理方法，例如把字符串等非数值型数据转换为浮点数等。

同时，需要注意的是特征向量里的每一个值都必须是浮点数。然而，许多特征天然就是字符串或其它非数值形态，因此，“把非数值表示为数值"在特征工程里占了相当大的比重。在后续模块中你还会大量看到这一类问题。