特征工程（上）：元素属性特征与描述符构建

各位同学，咱们今天聊聊特征工程。说实话，在材料性能预测这个领域，我踩过最大的坑就是——模型选得再花哨，特征没做好，照样白搭。特征工程做得好，模型就成功了一半。这话一点不夸张。

一、为什么特征工程这么重要？

你想想看，我们做材料预测，本质上是在干什么？是在找「成分-结构-性能」之间的映射关系。但原始数据（比如元素符号、晶格参数）计算机看不懂啊。我们需要把这些信息翻译成计算机能理解的数字语言——这就是特征工程。

我个人习惯，拿到一个材料数据集，第一件事不是跑模型，而是先花 70% 的时间做特征工程。为什么？因为好的特征能让简单的线性模型跑出深度学习的精度。我在项目中遇到过，同样的数据，特征做得好，R² 从 0.6 直接飙到 0.92。

二、元素属性特征：最基础也最有效

元素属性特征，说白了就是每个元素自带的天生属性。比如原子半径、电负性、价电子数这些。这些特征为什么好用？因为它们直接反映了元素的化学行为。

2.1 原子半径

原子半径决定了原子的大小。在合金、化合物中，原子半径直接影响晶格常数、键长、甚至相稳定性。我记得有一次做高熵合金的硬度预测，加入原子半径特征后，模型精度提升了 15%。

常用的原子半径数据源：

• Shannon 离子半径（最常用，适用于离子晶体）
• Pauling 金属半径（适用于金属和合金）
• Covalent 半径（适用于共价键体系）

2.2 电负性

电负性反映原子吸引电子的能力。这个特征在预测带隙、形成能、甚至催化活性时特别重要。为什么？因为电负性差异决定了化学键的极性，进而影响电子结构。

常用的电负性标度：

• Pauling 电负性（最经典）
• Mulliken 电负性（基于电离能和电子亲和能）
• Allen 电负性（基于光谱数据）

2.3 价电子数

价电子数决定了元素的化学价态和成键能力。在预测形成能、相稳定性时，这个特征几乎是必选的。嗯，这里要注意：不同元素的价电子数可能相同（比如 C 和 Si 都是 4 个），但化学行为完全不同，所以不能只用这一个特征。

元素	原子半径 (pm)	电负性 (Pauling)	价电子数
Fe	126	1.83	8
Co	125	1.88	9
Ni	124	1.91	10
Cu	128	1.90	11

三、组合特征：1+1 > 2 的魔法

单个元素属性虽然有用，但材料性能往往取决于元素之间的相互作用。这时候就需要组合特征了。说白了，就是把多个元素的属性通过数学运算组合起来。

3.1 平均特征

最简单的组合方式。对于 A_xB_y 这样的化合物，平均原子半径就是 (x * r_A + y * r_B) / (x + y)。

我在项目中遇到过，用平均电负性预测带隙，效果出奇的好。为什么？因为平均电负性反映了整个化合物的电子亲和能力。

3.2 差值特征

差值特征反映元素之间的差异。比如电负性差值越大，化学键极性越强，带隙通常越大。这个特征在预测离子晶体的性质时特别有用。

3.3 乘积特征

乘积特征可以捕捉元素之间的协同效应。比如原子半径和电负性的乘积，可能反映某种复杂的相互作用。说实话，乘积特征有时候效果出奇的好，但有时候也会引入噪声。我的经验是：先试，不行就扔掉。

四、描述符构建：从特征到知识

描述符是特征工程的高级形式。它不仅仅是简单的数学组合，而是基于物理化学知识的特征设计。一个好的描述符，应该能抓住材料性能的本质。

4.1 经典描述符示例

以钙钛矿 ABO₃ 为例，常用的描述符包括：

• 容忍因子 t：t = (r_A + r_O) / √2(r_B + r_O)，用于判断钙钛矿结构的稳定性
• 八面体因子 μ：μ = r_B / r_O，反映 B-O 键的强度
• 电负性差 Δχ：Δχ = χ_A - χ_B，反映 A-B 位之间的电荷转移

4.2 描述符构建原则

我个人总结了几条经验：

1. 物理可解释性：描述符要有明确的物理意义，不能是黑箱
2. 维度适中：太多描述符会导致过拟合，太少则信息不足
3. 正交性：描述符之间相关性要低，避免多重共线性

五、实战：构建一个简单的特征集

咱们以二元合金 A_xB_1-x 为例，看看怎么构建特征集。

import numpy as np
import pandas as pd

# 元素属性字典
elem_props = {
    'Fe': {'radius': 126, 'en': 1.83, 'valence': 8},
    'Co': {'radius': 125, 'en': 1.88, 'valence': 9},
    'Ni': {'radius': 124, 'en': 1.91, 'valence': 10},
    'Cu': {'radius': 128, 'en': 1.90, 'valence': 11}
}

def build_features(A, B, x):
    """构建二元合金特征"""
    props_A = elem_props[A]
    props_B = elem_props[B]
    
    features = {
        # 平均特征
        'avg_radius': x * props_A['radius'] + (1-x) * props_B['radius'],
        'avg_en': x * props_A['en'] + (1-x) * props_B['en'],
        'avg_valence': x * props_A['valence'] + (1-x) * props_B['valence'],
        
        # 差值特征
        'diff_radius': props_A['radius'] - props_B['radius'],
        'diff_en': props_A['en'] - props_B['en'],
        'diff_valence': props_A['valence'] - props_B['valence'],
        
        # 乘积特征
        'prod_radius_en': props_A['radius'] * props_B['en'],
        'prod_valence_radius': props_A['valence'] * props_B['radius']
    }
    
    return features

# 示例：构建 Fe0.5Co0.5 的特征
feats = build_features('Fe', 'Co', 0.5)
print(pd.Series(feats))

六、知识体系总览

下面这张图总结了本章的核心内容，方便你快速回顾：

七、避坑指南

最后，分享几个我踩过的坑：

• 不要盲目堆特征：我曾经一口气构建了 200 多个特征，结果模型训练时间长了 10 倍，精度反而下降了。特征不是越多越好。
• 注意特征尺度：原子半径和电负性的数值范围不同，直接使用会导致模型偏向数值大的特征。记得做标准化。
• 小心数据泄露：构建组合特征时，不要用到目标变量的信息。比如用测试集的平均值去构建训练集的特征，这是典型的错误。

好了，特征工程的上半部分就讲到这里。记住，好的特征工程需要你对材料科学有深入理解，也需要你不断尝试和迭代。没有万能的特征集，只有最适合你问题的特征集。

---