特征工程在现代 ML 中是否仍然重要

作者：HOS(安全风信子)
日期：2026-01-08
来源平台：GitHub
摘要： 随着深度学习的兴起，特征工程的重要性似乎被淡化，许多人认为深度学习模型可以自动学习特征，无需手动干预。然而，在安全领域，特征工程仍然是构建有效机器学习系统的关键环节。本文从安全工程视角出发，深入探讨特征工程在现代机器学习中的重要性，系统分析手工特征与自动特征学习的优劣，结合2024年安全领域的真实案例，阐述特征工程在威胁检测、异常行为识别、对抗防御等场景中的不可替代价值。文章提出了融合手工特征与自动特征学习的混合特征工程框架，并提供了安全领域特征工程的最佳实践指南。

---

1. 背景动机与当前热点

1.1 为什么这个话题值得重点关注？

在机器学习发展的早期阶段，特征工程被认为是构建有效模型的关键，甚至有"数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限"的说法¹。然而，随着深度学习技术的兴起，尤其是深度学习模型在计算机视觉、自然语言处理等领域取得突破性进展后，特征工程的重要性似乎被淡化。

许多人认为，深度学习模型可以自动从原始数据中学习特征，无需繁琐的手工特征工程，这使得特征工程逐渐被视为"过时"的技术。然而，在安全领域，情况却有所不同。安全数据往往具有高维度、稀疏性、噪声大等特点，直接应用深度学习模型可能导致性能不佳、训练时间长、可解释性差等问题。

2024年，SANS Institute的一项研究显示，在安全机器学习项目中，超过80%的成功案例仍