智能风控模型中，“特征工程”的核心目标是（ ）。A. 转换数据格式B. 提取对风险预测最有效的数据特征C. 减少数据量D. 清洗缺失值

特征工程是机器学习中的关键步骤，其核心目标在于从原始数据中提取对目标预测（如风险预测）最具影响力的特征。这需要通过数据变换、特征选择等方法，将原始数据转化为更有效的输入形式，从而提升模型性能。选项B直接对应这一核心目标，而其他选项（如数据格式转换、减少数据量、清洗缺失值）更多属于数据预处理或辅助性操作。

选项分析

选项A：转换数据格式

• 数据格式转换是数据预处理的一部分，例如将文本转为数值类型，但并非特征工程的核心目标，仅是为后续操作提供基础。

选项B：提取对风险预测最有效的数据特征

• 特征工程的核心任务是通过特征构造、选择等方法，提取能最好反映风险本质的特征。例如，将多个相关变量合并为一个综合指标，或筛选出对风险影响最大的变量。

选项C：减少数据量

• 减少数据量可能通过降维实现，但减少数据量本身不是目的，而是为了提高模型效率或效果。特征工程更关注特征的质量而非仅数量。

选项D：清洗缺失值

• 清洗缺失值属于数据清洗范畴，目的是保证数据完整性，但与特征工程的核心目标关联较弱。