数值型数据：好特征的三条准则#
通过前面内容的学习，我们已经陆续了解了「怎么把原始数据变换成合适的特征向量」，但是想要模型更稳，光这些还不够，因为还得每一个数值特征本身的质量也守住了才行。在这一节内容中，我们将把评判特征「够好」这把尺子里的三条准则摊开来说。
含义清楚#
每一个特征都应该有一个清晰、合理、不言自明的名字，项目里任何同事瞟一眼就能懂。
例如下面这个特征值就让人一头雾水：
不推荐
house_age: 851472000而下面这个就清楚得多：
推荐
house_age_years: 27提示： 你的同事可能会被这种模糊的名字劝退，但模型其实并不在意——只要归一化做得对，模型照样能跑。
训练前自检#
异常值（outliers）这一节其实讲过好几回了，但这里值得再啰嗦一句：糟糕的数据（而不是糟糕的工程决策）也会让数值变得可疑。
比如下面这个 user_age_in_years 就来自一个没做值域校验的数据源：
不推荐
user_age_in_years: 224但人确实可以活到 24 岁：
推荐
user_age_in_years: 24赶快查一下你的数据吧！
取值合理#
魔法值（magic value）是连续特征里故意制造的不连续，即用一个特殊值去表达「没测量」。
比如下面这个本应在 0 到 30 之间任意取值的 watch_time_in_seconds，用 -1 表示「没测量」：
不推荐
watch_time_in_seconds: -1把 watch_time_in_seconds 设成 -1，等于逼着模型去揣摩「倒着看一部电影到底是什么意思」。这样训出来的模型，大概率给不出靠谱的预测。
更好的做法是再加一个布尔特征，单独标出「watch_time_in_seconds 有没有给出」。比如：
推荐
watch_time_in_seconds: 4.82
is_watch_time_in_seconds_defined=True当这一列没有给出测量值时：
watch_time_in_seconds: 0
is_watch_time_in_seconds_defined=False这也是处理「连续型数据 + 缺失」的一种标准思路。
再看离散型数值特征，比如 product_category，它只能从一个有限集合里取值。这种情况下「缺失」可以用集合里多塞一个新值来表示——模型为每个值都会学到独立权重，包括给「缺失」单留一个权重。
下面这组取值就是合理的搭配：
{0: 'electronics', 1: 'books', 2: 'clothing', 3: 'missing_category'}关键术语：