在数据分析过程中，可以运用哪些特征工程手段来增强模型的预测性能？

回答思路

1. 【回答框架 1】特征工程是从原始数据中提取、构造和选择对模型预测有帮助的特征的过程，核心目标是提升模型性能、降低过拟合风险并增强可解释性。
2. 【回答框架 2】常用方法包括特征清洗（处理缺失值、异常值、重复值）、特征变换（标准化、归一化、对数变换、离散化）和特征构造（组合特征、多项式特征、聚合统计特征）。
3. 【回答框架 3】特征选择通过过滤法（方差阈值、相关系数）、包裹法（递归特征消除）和嵌入法（L1正则化、树模型特征重要性）筛选有效特征，减少噪声和维度灾难。
4. 【回答框架 4】针对时间序列或文本等特殊数据，可提取统计特征（均值、趋势）、频域特征或嵌入特征（TF-IDF、词向量），并结合领域知识构造业务相关特征。
5. 【回答框架 5】最终需通过交叉验证评估特征工程效果，避免数据泄露，并迭代优化特征集。
6. 【关键点 1】特征清洗和变换是基础，能提升模型稳定性和收敛速度。
7. 【关键点 2】特征构造可引入非线性关系和领域知识，增强模型表达能力。
8. 【关键点 3】特征选择能降低过拟合，提升泛化能力。
9. 【关键点 4】需警惕数据泄露，特征工程应在训练集上拟合，再应用到测试集。
10. 【关键点 5】效果需通过验证集或交叉验证客观评估。
11. 【易错点 1】过度特征工程可能导致过拟合，需结合正则化或特征选择控制复杂度。
12. 【易错点 2】忽略特征尺度差异会影响距离类模型（如KNN、SVM）的性能。
13. 【易错点 3】盲目使用高维特征可能引发维度灾难，增加计算开销。