互联网的发展带来了数据的大量积累,与此同时互联网服务质量的提升依靠高效的数据处理能力。机器学习是解决使用大数据提升互联网质量问题的最佳方案,然而目前机器学习模型高度依赖于相关性很大的特征。因此,特征分析是处理好大数据背景下提升机器学习泛化能力的关键。统计范畴下的特征分析至少包括特征预处理和特征选择两个方面。从信息论的角度,特征预处理通过升维提升信息的“可靠性”,特征选择通过降维来提升信息的“有效性”。研究特征分析的意义不仅在于降低机器学习的成本从而提升互联网的服务质量,更在于解决现存的民生问题,比如看病难问题,更在于利用人类行为规律解决人类长远可持续发展的问题。本文研究以下四个问题:第一,本文研究了特征预处理问题。分析了特征采集与存储、特征的形式变换、异常特征值检测与处理、缺失特征值处理、时间序列特征处理、空间数据特征处理、不平衡特征处理七个方面的前沿技术和算法。第二,本文研究了特征选择算法。比较了基于相关度的过滤式选择、基于Lasso的稀疏选择、基于集成方法的嵌入式选择、基于神经网络的自动选择四种模型方案,分析了各个算法的计算时间复杂度、优缺点、应用场景。第三,本文解决了慢性肾衰竭预测问题。使用了均值填充、哑编码、特征排序等技术,提出了基于决策树、支持向量机、逻辑回归、随机森林四种模型的堆叠模型,模型召回率达99.63%,精度达99.55%,通过交叉验证实验证明了特征分析在疾病预测领域的可行性。第四,本文研究了人类行为可预测问题。分析了是什么因素影响Github用户的贡献行为,发现了可预测性与用户活跃度香农熵成线性的规律,证明了平均可预测性为93%的观点。