首先给出特征工程的概述图，如下图。
然后接下来，会就其中的内容详细学习。
一，单个特征归一化
归一化就是指当每个特征的数值之间相差太大，无法很好的相互映射时，通过函数处理使其落在同一数量级的区间的方式。
归一化的方式通常有两种：
Standardization
Standardization又称为Z-score normalization，量化后的特征将服从标准正态分布：
μ和δ分别为对应特征的均值和标准差。量化后的特征将分布在[-1, 1]区间。
Min-Max Scaling
Min-Max Scaling又称为Min-Max normalization， 特征量化的公式为：
它对原始数据进行线性变换，使结果映射到[0,1]的范围，实现对原始数据的等比缩放。如果要将数据限制到[-1,1]，则：
二，特征离散化
链接：https://www.zhihu.com/question/31989952/answer/54184582
在工业界，很少直接将连续值作为逻辑回归模型的特征输入，而是将连续特征离散化为一系列0、1特征交给逻辑回归模型，这样做的优势有以下几点：
离散特征的增加和减少都很容易，易于模型的快速迭代；
稀疏向量内积乘法运算速度快，计算结果方便存储，容易扩展；
1，离散化后的特征对异常数据有很强的鲁棒性：比如一个特征是年龄>30是1，否则0。如果特征没有离散化，一个异常数据“年龄300岁”会给模型造成很大的干扰；
2，逻辑回归属于广义线性模型，表达能力受限；单变量离散化为N个后，每个变量有单独的权重，相当于为模型引入了非线性，能够提升模型表达能力，加大拟合；
3，离散化后可以进行特征交叉，由M+N个变量变为M*N个变量，进一步引入非线性，提升表达能力；
4，特征离散化后，模型会更稳定，比如如果对用户年龄离散化，20-30作为一个区间，不会因为一个用户年龄长了一岁就变成一个完全不同的人。当然处于区间相邻处的样本会刚好相反，所以怎么划分区间是门学问；
5，特征离散化以后，起到了简化了逻辑回归模型的作用，降低了模型过拟合的风险。
离散化方法的分类：
1，无监督方法
又分：分箱法和直观划分法
分箱法又分：等宽分箱法和等频分箱法
2，有监督的方法
R方法，卡方检验等
Dummy Code：虚拟变量，又称名义变量或哑变量，用以反映质的属性的一个人工变量，是量化了的自变量，通常取值为0或1。引入哑变量可使线形回归模型变得更复杂，但对问题描述更简明，一个方程能达到两个方程的作用，而且接近现实。
三，数据变换
为什么要进行对数变换（转载自：https://www.cnblogs.com/gczr/p/7119826.html）
在实际生活中，最常见的情形是靠近正无穷的一侧有一个长尾巴（如图1左），习惯上称为「右偏」（right-skewed）或「正偏态」（positive skewness）。许多人会有点儿困惑，觉得图上分布的那个峰明明是向左边负数一侧偏的，怎么叫「右偏」「正偏态」呢？要记住，当我们描述偏态的方向时，说的是分布的尾巴，而不是峰。这本身没有什么大道理可讲，就是一种约定俗成而已。图1 一个右偏（正偏态）的总体分布
为了要把分布右侧的尾巴缩短一点，我们需要这样一个函数，它在 y 比较小的时候增长得比较快，而在 y 比较大的时候增长得慢一些。这样一来，在原来分布右边相距较远的任意两个点之间的距离就会相对变小，从而分布的偏态就能得到改善了。
1，对数变换
图2 使用对数函数对图1中的右偏样本作变换
2，指数变换
图 3 使用平方根函数对图1中的右偏样本作变换