比如有两百个属性，如何选择出有用的属性，选择出属性后如何进行特征处理？归一化？标准化？
这个步骤比较模糊，请大神给点拨一下
不是很清楚你要问什么，是你有很多属性，要看哪些属性具有比较强的相关性么？这个可以用PCA（主成分分析）
https://blog.csdn.net/lyl771857509/article/details/79435402
我的意思是怎么找出来比较有用的那几个特征，有哪些方法？
我来回答一下楼主的问题，我认为楼主是想知道特征工程一般要怎么做，大概的思路、步骤是什么样的。
首先，不同的问题特征工程不一定相同，我只是说一下大概的步骤，楼主参考就好。
1. 研究问题：确定你的问题类型，需要用什么算法解决，有什么限制，需要用什么模型？比如用浅层的回归模型linear regression，还是深度学习等。。
这里假设你选择了linear regression。
2. 研究你的数据：
2.1 包括一些普适性的研究：是否有缺失值，feature的分布如何
2.2 一些具体问题下的研究，这里涉及到这个问题下的domain knowledge，需要行业专家的接入：
--- 每个feature代表的含义是什么？
--- 是否需要feature变形，以产生更有意义的feature？
（这里指和问题的target之间更有相关意义，因为你选择linear regression，模型本身很简单，无法学习到复杂的特征变换，所以需要你手动的进行特征变换）
（比如，推荐系统问题，需要你把特征交叉 等等）
--- 对于 continous numerical feature：如果认为特征与target直接线性度不好（甚至不单调） ==> 离散化，把它bin成多个0-1feature
--- 对于 discrete categorical feature：通过 transforamtion 数字化，再通过 encoding 形成 0-1feature（当然还有很多encoding的方法）
3. 特征选择（一般之前需要标准化）
特征选择的方式有很多，用一种比较简单的办法是这样的：
分析 target 和 每个feature 之间的相关度，比如用MI衡量、皮尔逊（因为上文说过已经是线性相关的feature了），保留top K
4. 带入分类器训练
5. fine-tune 这步非常重要，通过迭代的方式，找到最好的超参数
如上，步骤和你选择的模型、数据的特点、business logic都有关系，具体问题具体分析。
关键是，你要了解每个模型都是如何工作的，每个特征如何被模型利用，经验至上，先写这点吧