请问作为特征工程方法的Creating domain expertise features是什么？

这是特征工程范畴下的一类特征构建思路，核心是依托特定领域的专业经验、行业共识规则，从原始数据中提炼面向特定建模目标的特征。和通过统计方法、自动特征工程工具生成的通用特征不同，这类特征的推导逻辑完全和对应领域的业务逻辑绑定。

举几个常见落地示例：

• 医疗场景建模时，结合临床诊断标准从原始患者检验指标中衍生出「糖尿病高危风险评分」「高血压分级标识」类特征
• 金融风控场景建模时，结合反欺诈规则从用户交易流水中衍生出「近7天夜间小额高频转账次数」「非常用设备登录后大额交易占比」类特征
• 电商推荐场景建模时，结合运营规则从商品数据中衍生出「大促期间价格波动幅度」「同类目销量排名分位」类特征

你提到的相关软件工程领域研究中，就是在软件缺陷预测场景下使用该方法，结合代码开发、版本管理的领域经验，从原始的代码提交日志、版本迭代记录中提炼专属特征，相比通用的代码统计特征，缺陷预测的准确率有显著提升。

常规执行流程 #

• 梳理目标场景的领域知识，输出可量化、可通过现有数据落地的特征衍生规则
• 完成原始数据的口径对齐、多源数据关联，按规则批量生成候选领域特征
• 对候选特征做有效性校验，通过特征重要性、IV值、互信息等指标筛选出对建模目标有显著增益的特征
• 将验证通过的特征纳入特征池，同步配套对应的特征口径维护、更新规则

优缺点 #

• 优势：特征可解释性极强，完全对齐业务逻辑，在小样本训练场景下的效果增益远高于通用自动衍生特征
• 缺点：特征构建效率较低，需要领域专家和数据工程师配合完成，很难实现全自动化落地

内容的提问来源于stack exchange，提问作者mahsa