前言
越写越上头，话不多说，再续前缘！
方法
- 空间特征 (Spatial Features)：对于地理数据，可以提取经纬度、距离、区域等空间特征，用于地理信息系统分析。
- 音频特征 (Audio Features)：从音频数据中提取梅尔频谱、音高、节奏等特征，适用于语音识别和音乐分析。
- 图像颜色特征 (Color Features)：提取图像的颜色直方图、色彩通道信息等，用于图像分类和检索。
- 图像纹理特征 (Texture Features)：分析图像的纹理信息，如灰度共生矩阵、小波变换，用于纹理分类。
- 图像形状特征 (Shape Features)：提取图像中物体的形状信息，如轮廓、边缘，用于物体识别和分割。
- 图像卷积特征 (Convolutional Features)：通过卷积神经网络（CNN）的中间层特征提取，获得图像的高级表示。
- 图像数据增强 (Image Data Augmentation)：在训练过程中，通过旋转、翻转、缩放等变换增加训练数据，提高模型的泛化能力。
- 组合特征 (Composite Features)：通过对多个特征进行运算（加法、减法、乘法等），创建新的复合特征。也是添加重要特征的一种方法
- 时间窗口特征 (Time Window Features)：对时间序列数据进行滑动窗口操作，提取窗口内的统计信息，用于序列预测。
- 人工合成特征 (Synthetic Features)：通过领域知识或创造性的方法，合成新的特征，有助于提高模型表现，和p1的方法一样，凑数的。
- 离散化 (Discretization)：将连续特征转换为离散值，有助于处理异常值和噪声，以及适应某些模型的需求（树模型，贝叶斯网络，计数模型，贝叶斯分类）
- 聚合特征 (Aggregation Features)：基于某个群组或类别，计算特征的统计指标，例如平均值、中位数，用于建立群组间的对比。
- 变换特征 (Transformed Features)：通过数学变换如对数、指数，调整数据分布，使其更符合模型（线性关系等）的假设。（虽然没用过，但是我觉得很重要！！！不符合假设的模型等于没用我感觉）
- 阶段性特征 (Phase Features)：对周期性数据（如天气、经济）提取时间内的特定阶段，以捕捉周期性模式。
- 分段特征 (Binned Features)：将连续数据分段，创建区间特征，可用于捕捉阶跃或非线性关系。
- 滑动窗口统计 (Rolling Window Statistics)：在时间序列中，利用滑动窗口计算统计信息，以捕捉数据的动态模式。
- 累积特征 (Cumulative Features)：通过对时间序列数据进行累积或求和，捕捉随时间变化的积累效应。
- 对数化 (Logarithmization)：将数据取对数，适用于数据具有指数增长或大范围变化的情况。
- 比率特征 (Ratio Features)：基于两个特征的比率创建新的特征，有时可以捕捉到更有意义的关系，比如月收入/月消费
- 计数特征 (Count Features)：统计数据集中某个条件的出现次数（sum），可以揭示隐藏在数据中的模式。
- 时间差特征 (Time Diff Features)：计算连续时间戳之间的差异，用于衡量事件之间的时间间隔。
- 偏移特征 (Shift Features)：将特征在时间序列上向前或向后移动，用于构建滞后特征。
- 周期性特征 (Cyclical Features)：将周期性特征（如小时、星期几）转换为正弦和余弦分量，以保留周期性信息。
- 稀疏特征编码 (Sparse Feature Encoding)：对稀疏特征（如类别特征）使用哈希编码或嵌入编码，以降低维度。
ps：稀疏矩阵指，大部分元素为0的矩阵
- 距离特征 (Distance Features)：计算样本与特定点、簇中心或地理位置之间的距离，用于相似性分析（这也可以用热力图表示）。
- 复合特征 (Composite Features)：通过组合多个特征创建新的复合特征，以增强模型的预测能力。
- 噪声注入 (Noise Injection)：向数据中注入随机噪声，有助于提高模型对噪声的鲁棒性。一般用于模型的灵敏度分析中
- 数据分段 (Segmentation)：将数据分成不同的段落或区域，提取每个段落的统计或特征信息。
- 分解特征 (Decomposition Features)：将数据分解成不同的成分，如主成分分析（PCA）、奇异值分解（SVD），用于减少冗余。
- 自动编码器特征 (Autoencoder Features)：使用自动编码器学习数据的低维表示，用于降维和去噪。
