- 频率编码 (Frequency Encoding)：用类别出现的频率替代原始值，有助于模型学习类别的稀有程度。
- 目标编码 (Target Encoding)：用目标变量的统计信息（如平均值、标准差）替换类别特征，从而传递目标变量的信息。
- 时间特征 (Time Features)：从时间戳中提取年、月、日、小时等信息，帮助模型捕捉时间相关的模式。
- 季节性特征 (Seasonality Features)：对时间序列数据进行季节性分解，提取季节性模式和趋势。
- 文本特征处理 (Text Feature Processing)：包括词袋模型、TF-IDF、词嵌入等方法，将文本数据转换为可供模型处理的向量。
- 特征交叉 (Feature Crosses)：将不同特征进行组合，创建新的特征，以捕捉原始特征之间的交互作用。
- 特征缩放 (Feature Scaling)：通过标准化或归一化，将特征值缩放到相似的尺度，以提高模型的收敛速度和性能。
- 缺失值处理 (Handling Missing Values)：通过填充、删除或使用特定值来处理缺失值，确保模型在训练过程中能正常工作。
- 多项式特征 (Polynomial Features)：通过增加特征的高次项，捕捉数据中的非线性关系。
- 主成分分析 (PCA)：通过线性变换将原始特征投影到低维空间，以降低维度并保留主要信息。
- 降维技术 (Dimensionality Reduction)：使用降维方法如t-SNE、UMAP等，将高维数据映射到二维或三维空间以进行可视化或建模。
- 类别特征嵌入 (Category Embeddings)：利用嵌入技术将类别特征映射到低维连续空间，提高模型对类别信息的理解。
- 样本抽样 (Sampling Techniques)：包括欠采样和过采样方法，用于处理类别不平衡问题，平衡训练数据。
- 傅里叶变换 (Fourier Transform)：用于处理信号数据，将时域数据转换为频域数据，以揭示周期性模式。
- 滑动窗口特征 (Rolling Window Features)：基于滑动窗口，计算时间序列数据在不同时间范围内的统计特征。
- 时间差特征 (Time Difference Features)：计算时间戳之间的差异，用于捕捉事件之间的时间间隔。
- 累计特征 (Cumulative Features)：通过对时间序列数据进行累计操作，捕捉随时间积累的信息。
- 图像颜色特征 (Color Features)：提取图像的颜色直方图、色彩通道信息，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。
- 周期性特征 (Cyclical Features)：将周期性特征如月份、星期数表示为两个正弦和余弦分量，以保留时间的循环性信息。
- 序号特征 (Ordinal Features)：对有序类别特征进行编码，将类别值映射到整数，以捕捉类别之间的顺序关系。
- 哈希编码 (Hash Encoding)：将类别特征的值通过哈希函数映射为固定大小的整数，用于处理高基数类别特征。
- 时间间隔特征 (Time Interval Features)：计算时间戳之间的时间间隔，用于捕捉事件发生之间的持续时间。
- 傅里叶变换 (Fourier Transform)：用于处理信号数据，将时域数据转换为频域数据，揭示周期性和振荡模式。
- 编码统计特征 (Aggregated Encoding)：对类别特征进行编码（如均值、标准差），以反映该类别在目标变量上的统计信息。
- 周期滚动特征 (Cyclic Rolling Features)：在时间序列数据上执行滚动窗口操作，提取滚动窗口内的周期性统计信息。
- 时间衍生特征 (Time Lag Features)：通过向后或向前平移时间序列，构建滞后特征，用于捕捉时序数据的趋势。
- 局部统计特征 (Local Statistics)：在滑动窗口内计算统计信息，用于时间序列平滑和异常检测。
- 滑动窗口百分位数 (Percentile in Rolling Window)：在滑动窗口内计算百分位数，用于捕捉时间序列的分布变化。
