---
title: "特徵工程（Feature Engineering）"
slug: feature-engineering
language: zh-TW
source: https://aiterms.tw/terms/feature-engineering
updated_at: 2026-07-29
tags: [特徵工程, 資料處理, 模型訓練]
ipas_term: true
---

# 特徵工程（Feature Engineering）

> **你有沒有遇過，資料明明一大堆，模型卻還是學不太好？**
>
> 你可以把特徵工程想成幫原始資料做整理和加工，把模型比較好懂的資訊做出來，讓它更容易看出規律。
>
> 它重要，是因為資料本身不會自己變成好特徵，很多時候模型準不準，先看你餵進去的是不是好特徵。

### 容易混淆
> **特徵工程 vs 特徵擷取**
> 特徵工程偏向人為設計和轉換，像把生日變成年齡。
> 特徵擷取偏向從原始資料自動抽出表示，像把圖片轉成向量特徵。
>
> **特徵工程 vs 模型訓練**
> 特徵工程是在準備輸入。
> 模型訓練是在學怎麼用這些輸入做預測，兩者前後順序不同。

### 記住這句就好
> 特徵做得好，模型才有材料可學。

### 實際案例
> **信用評分**
> 把收入、負債比、繳款紀錄整理成更有判斷力的欄位，模型才比較能分出風險。
>
> **電商推薦**
> 把最近點擊、瀏覽次數、品類偏好整理成特徵，推薦結果通常會比只看原始交易表更準。

### 算法與應用
> 常見做法包含數值轉換、類別編碼、時間特徵、交互特徵和缺值處理。
> 在傳統機器學習裡，它常直接影響模型上限，在深度學習裡，仍會影響輸入品質與訓練穩定度。

### iPAS 考題
> **Q：特徵工程的主要目的為何？**
> → 讓原始資料變成更有資訊量、更容易被模型學習的輸入，進而提升預測效果。
>
> **Q：為什麼特徵工程常被視為重要前處理？**
> → 因為很多模型不是資料越多就越準，而是特徵是否能表達問題本質更關鍵。

### 中英對照與常見手法

| 中文 | 英文 | 做什麼 |
| --- | --- | --- |
| 特徵工程 | feature engineering | 從原始資料造出對模型有用的欄位 |
| 特徵選擇 | feature selection | 從既有欄位裡挑出有用的 |
| 特徵抽取 | feature extraction | 把原始資料轉換成新的表示 |
| 特徵縮放 | feature scaling | 調整數值範圍，正規化與標準化都屬於這一類 |
| 特徵重要性 | feature importance | 衡量每個欄位對預測的貢獻 |

> 常見的具體手法：
>
> **時間欄位拆解。** 一個時間戳記可以拆成年、月、日、星期幾、是不是假日、是不是月底、距離上次購買幾天。原始的時間戳記對模型幾乎沒用，拆完之後每一個都可能是強特徵。
>
> **類別欄位編碼。** 類別少用獨熱編碼，有順序用標籤編碼，類別多用目標編碼或嵌入。
>
> **數值欄位轉換。** 右偏資料取對數，有意義的分界做分箱，兩個欄位相除得到比率（例如營收除以員工數）。
>
> **聚合特徵。** 同一個使用者過去 7 天、30 天的次數與平均，這在推薦與風控上通常是最強的一批特徵。

### 為什麼深度學習沒有取代它

> 常聽到的說法是深度學習能自動學特徵，所以不用做特徵工程。這句話只在特定條件下成立。
>
> **影像、語音、文字上大致成立。** 這些資料的原始形式（像素、波形、字元）本身就有豐富結構，卷積與注意力能自己學出層次化的表示，人工設計反而不如模型。
>
> **表格資料上完全不成立。** 表格資料的欄位是人定義的、彼此關係任意、樣本數通常也不夠深度模型自己摸索。這也是梯度提升樹在表格任務上長年勝過神經網路的原因之一。
>
> **時間與領域知識永遠不會被取代。** 「這個客戶距離上次下單幾天」「這台設備距離上次保養幾小時」這種特徵，模型不可能自己從欄位裡推出來，因為它不知道業務規則。
>
> 一個實務上的判斷：如果你花一天做特徵工程帶來的提升，超過換一個更大的模型，那代表資料裡還有沒被表達出來的結構，繼續做特徵比換模型划算。

### 情境判斷
> **Q1：把類別欄位轉成數字，這算特徵工程嗎？**
> → 算，因為你在改變資料表達方式，讓模型能更好地使用它。
>
> **Q2：如果深度學習已經很強，特徵工程就完全不重要嗎？**
> → 不一定，深度學習能少做一些手工設計，但資料品質差、欄位混亂時，特徵工程還是很有價值。

### 常見問題
> **Q：特徵工程一定要很會寫程式嗎？**
> 不一定，懂資料和業務脈絡常比會不會套工具更重要。
>
> **Q：特徵工程和資料清理是一樣的嗎？**
> 不一樣，資料清理是修錯資料，特徵工程是把資料變得更能幫模型判斷。
>
> **Q：特徵工程會不會過度依賴經驗？**
> 會有這個風險，所以通常要搭配驗證集和交叉驗證檢查效果。
>
> **Q：自動化特徵工程有沒有用？**
> 有，但它適合先擴充候選方向，最後仍常需要人工判斷哪些特徵真的合理。

### 相關術語
> - **機器學習**：特徵工程通常是模型前面最實際的加分項。
> - **特徵擷取**：先分清自動抽取和人為設計，理解會更完整。
> - **特徵縮放**：很多模型在做特徵工程後，還會接著處理尺度問題。
> - **特徵選擇法**：特徵做多了不一定更好，這個術語會教你怎麼留下重點。
> - **資料管線**：特徵工程通常會被放進穩定的資料流程裡運作。

---

來源：https://aiterms.tw/terms/feature-engineering
快查頁：https://aiterms.tw/terms/feature-engineering
外部參考：https://ipd.nat.gov.tw/ipas/certification/AIAP/news/ffdba0fcdbda40baadeef2a1bdc0230e
最後更新：2026/07/29
深度解說：https://aiterms.tw/learning/what-is-feature-engineering