本單元已探討如何將原始資料對應至合適的 「特徵向量」。 好的數值特徵會 才符合本節所述性質。
名稱明確
每項特徵都應該有明確、合理且明顯的意義， 專案。舉例來說，下列特徵值的意義是 令人困惑：
不建議使用
House_age：851472000
相對地，下列功能名稱和值則更清楚：
建議
House_age_years：27
訓練前的檢查或測試
雖然本單元投入了大量時間
離群值，主題是
至少要能買一次在某些情況下，資料錯誤
(不是設計不良的工程選項) 會導致值不清楚。例如：
下列user_age_in_years來自未提供檢查的來源
適當的值：
不建議使用
user_age_in_years：224
但使用者可以年滿 24 歲：
建議
user_age_in_years：24
檢查資料！
易識
「神奇價值」是刻意連續的
而不是每個特徵的分數舉例來說，假設有一個名為 watch_time_in_seconds 的持續特徵
可包含 0 到 30 之間的任何浮點值，但代表不存在
並加上魔法值 -1：
不建議使用
Watch_time_in_seconds：-1
watch_time_in_seconds 為 -1 時，會強制模型嘗試
重點在於回溯觀看電影。產生的模型
預測結果可能不盡理想
更好的技巧是另外建立一個布林值功能，以指出
是否 watch_time_in_seconds
值。例如：
建議
Watch_time_in_seconds：4.82
is_watch_time_in_seconds_defined=TrueWatch_time_in_seconds：0
is_watch_time_in_seconds_defined=False
現在請考慮獨立 數值特徵，其值必須屬於一組有限的值。在本 代表缺少該值時，請使用 沒有限制透過離散特徵，模型會學習不同的權重 ，包括缺少特徵的原始權重。