机器学习有关特征处理的问题

Question

刚接触机器学习，想问下对于预测一个应用的评分问题（0或者1），想用逻辑回归模型，但是模型准确度一直不高。有几个特征不知道怎么处理，一个是应用的评论数量，小的有个位数大的有几十万；一个是应用的大小，有几百k的也有几十M的；还有一个是应用的安装次数，小的有几十次大的有几千万。对于这种量级差别特别大的数字一般该怎么处理能提高准确度呀？或者有没有可能可行的方案我先去试试，谢谢！
还有就是一般f1score达到多少就算一个不错的模型了呢？

Answer 1

当数据特征的量级差别很大的时候，通常会使用归一化来解决这个问题。归一化的方法有很多，比如将数值缩放到固定范围内，比如 [-1, 1]；或者将数值缩放到 [0, 1] 区间内。这种方法可以让所有的特征在相同的尺度下处理，从而解决数据的量级差别的问题。
Python中的sklearn 库的 preprocessing 模块提供了很多常用的数据预处理方法，包括归一化的方法。你可以使用 sklearn.preprocessing.MinMaxScaler 方法进行归一化，这个方法可以将数据缩放到固定范围内，例如 [0, 1]。

具体使用方法如下：
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
X_scaled = scaler.fit_transform(X)

得到的X_scaled 是一个归一化后的数据矩阵，你可以使用这个数据矩阵来训练逻辑回归模型。当然，在实际应用中，你还需要关注模型的超参数调优、特征工程等方面，才能使模型的表现得到进一步提升。

对于 F1 Score，通常会根据具体的应用场景来确定合理的 F1 Score 值。一般来说，F1 Score 在 0.5~0.7 之间的模型就比较优秀了。但是，F1 Score 是一种平衡精确率和召回率的指标，在实际应用中，精确率和召回率的权衡是需要根据具体场景来决定的。因此，有时候 F1 Score 不够高，但是精确率或召回率较高的模型也是可以被接受的。