1：特征理解，看看数据里有什么。拿到数据的第一件事情当然是看数据怎么样了，也就是看里面有什么特征，这些特征是什么意思，这个过程叫做特征理解。看看数据是不是结构化的，是不是有空缺数据，用一些图形看看数据长什么样？2：特征提升 清理数据。 这一步要做的是在数据理解的基础上，得到一个比较整齐的数据。把未结构化的数据结构化、填充空值、对
数据标准化。其中标准化包括z-socre标准化，min-max标准化，还有L1和L2正则化。 这一步完成以后，我们基本上得到了一个干净、整齐一点的数据。但是这并不能保证我们的数据是和我们的模型强相关的，我们还不能把这些数据用在模型里面，还需要后续的处理。
3：特征选择 去掉坏的特征。有些特征和我们的模型不相关、有些特征是关联的，只需要保留一个就可以了。所以，我们要对这些特征进行选择处理。
4：特征构造 构建未有的特征。 从我们已有的特征里面构建未有的特征，比如从图像的像素里面构建出来是哪类物体的特征。还有一种特征构建是从另外一个已有的
数据集里面构建，比如匹配某个人的信息，这个过程叫做实体匹配。
5：特征转换。 这一步里面重要的一步是特征约减，比如使用PCA算法进行降维处理。
6：特征学习。 让我们使用
机器学习算法来进行特征的学习，典型的如神经网络，它里面就有这种思想。