在進行有監督的機器學習時，特征工程顯得尤其重要，本文介紹的是在人工提取一些特征之后，怎樣對這些特征進行二階組合提取；
在進行一系列的摸索之后，得到3個基本點：
- 對連續的特征進行離散化處理：
- 最優分箱（見前面的博文）
- 進行WOE變換（將原特征用分箱后的WOE值替換）
- 離散特征：
- 如果離散特征的維度較低(低到多少自己定，可根據前面的博文輸出結果決定)，沒有必要對其進行WOE變換
- 二階組合要有一定的針對性
- 待組合的兩個特征的重要性(或者IV)都比較低
- 待組合的兩個特征的重要性(或者IV)一高一低
- 不建議對重要性很高的特征進行操作，當然也可以使用，但最后一定要評測好
二階特征組合更多的應該是在給定某特征條件下的組合，而不是盲目的對所有的特征進行ＷＯＥ變換之后進行簡單的組合，這樣會出問題，組合出來完全沒意義（其實是在吐槽上面瞎指導的人）
未完待續．．．