原始資料必須經過特徵工程 (轉換後) 進行設計。何時該轉換 或「小規模讀取，大規模寫入」 還是主要擁有唯讀資料？廣義來說，您可以在 以下兩個期間內：
- 訓練模型的之前。
- 訓練模型時。
訓練前先轉換資料
在這個方法中，您將執行下列兩個步驟：
- 編寫程式碼或使用專用工具 轉換原始資料
- 將轉換後的資料儲存在模型可以擷取的位置，例如 就在磁碟上一樣
優點
- 系統只會轉換一次原始資料。
- 系統可以分析整個資料集來判定 轉型策略。
缺點
- 您必須在預測時重新建立轉換。請留意 訓練/應用偏差！
系統執行動態作業時，訓練/應用偏差會較為危險 (線上) 推論。 在使用動態推論的系統上 原始資料集與提供預測的軟體通常不同 這可能會導致訓練/應用偏差 相反地，使用靜態 (離線) 推論的系統有時可能會 使用相同的軟體。
在訓練時轉換資料
在此方法中，轉換是模型程式碼的一部分。模型 並擷取原始資料
優點
- 如果您變更轉換，仍然可以使用相同的原始資料檔案。
- 您必須確保在訓練和預測期間的轉換是相同的。
缺點
- 複雜的轉換可能會增加模型延遲時間。
- 轉換是針對每個批次進行。
要按批次處理資料可能並不容易。舉例來說，假設您要 請使用 Z 分數正規化功能 轉換原始數值資料Z 分數正規化需要平均值和 特徵的標準差 但分批轉換後，您只能存取 一批資料，而不是完整資料集。如果批次作業 同個批次中的 Z 分數就是 -2.5 的變體，含義會不同。 以 -2.5 表示 如要解決這個問題，您可以預先計算平均值和標準差 然後當做模型中的常數