2.特征工程：特征工程是将原始数据转换成机器学习算法可以处理的数值特征的过程。
机器学习智能化应用驱动的关键技术包括以下几个方面：
1. 数据获取和预处理：数据是机器学习的基础，关键的技术是如何获取大量高质量的数据，并对数据进行清洗和预处理，以便于后续的模型训练和应用。
2. 特征工程：特征工程是将原始数据转换成机器学习算法可以处理的数值特征的过程。关键的技术是如何选择和构造适合的特征，以提高模型的性能和泛化能力。
3. 模型选择和训练：模型选择是根据具体的问题和数据情况选择合适的机器学习算法，训练是使用标注好的数据来调整模型的参数。关键的技术是如何选择和调整模型，以获得最好的性能。
4. 模型评估和优化：评估模型的性能是关键的技术，常用的指标包括准确率、精确率、召回率等。根据评估结果，可以对模型进行优化，例如调整模型的参数、改进特征工程等。
5. 模型部署和优化：将训练好的模型应用到实际场景中是关键的技术，包括将模型集成到实际系统中、优化模型的推理速度和内存占用等方面。
6. 持续学习和迭代改进：机器学习模型需要不断接收新的数据，并根据新数据进行持续学习和迭代改进，以适应数据的变化和新的需求。
总之，机器学习智能化应用驱动的关键技术涉及数据获取和预处理、特征工程、模型选择和训练、模型评估和优化、模型部署和优化，以及持续学习和迭代改进等多个方面。
