Ce înseamnă Feature engineering
În machine learning, o caracteristică (în engleză feature) este o informație de intrare pentru model: vârsta, suma tranzacției, ora, numărul de cuvinte dintr-un mesaj. Feature engineering înseamnă transformarea datelor brute în caracteristici utile: combinarea coloanelor, extragerea de informații ascunse, eliminarea celor inutile.
Pentru datele tabelare, aceasta este adesea partea care contează cel mai mult: un model simplu cu caracteristici bune bate frecvent un model complicat cu caracteristici proaste. Rețelele neuronale adânci învață singure multe caracteristici din imagini, sunet sau text, ceea ce a redus nevoia de feature engineering manual în acele domenii.
Cum funcționează
Operații tipice: extragerea de componente dintr-o dată calendaristică (ziua săptămânii, „e weekend?”, „e sărbătoare legală?”), calculul de rapoarte (cheltuieli ÷ venit), agregări în timp (numărul de comenzi din ultimele 30 de zile), transformarea categoriilor în numere și aducerea valorilor la aceeași scară.
Cunoașterea domeniului este esențială: un specialist în fraude știe că distanța față de locul ultimei tranzacții contează mult, chiar dacă datele brute conțin doar coordonate și ore. Atenție la scurgerea de informații: o caracteristică nu trebuie să folosească date care nu ar fi disponibile în momentul predicției.
Pe înțelesul tuturor
Un medic nu se uită doar la greutate și înălțime separat, ci calculează indicele de masă corporală, care spune mult mai mult decât fiecare număr singur. Feature engineering înseamnă să găsești astfel de „indici” pentru problema ta.
Exemplu
O firmă de livrări vrea să estimeze întârzierile. Datele brute au doar adresa, data și ora comenzii. Din ele se pot crea caracteristici precum „ora de vârf (da/nu)”, „distanța de la depozit în km”, „zi lucrătoare sau weekend”, „ninge în ziua respectivă” și „numărul de comenzi în aceeași zonă în ultima oră”. Cu aceste caracteristici, chiar și un model simplu dă estimări mult mai bune.
De reținut
- Caracteristicile bune contează adesea mai mult decât alegerea modelului.
- Cunoașterea domeniului ajută la găsirea caracteristicilor utile.
- Nu folosi informații care nu ar fi disponibile în momentul real al predicției.
Nu confunda
- Feature engineering vs. curățarea datelor: curățarea repară erori (valori lipsă, dubluri); feature engineering creează informații noi din date deja curate.
Termeni înrudiți
- Date de antrenare: Exemplele din care învață un model AI: texte, imagini, sunete sau tabele. Calitatea lor decide în mare măsură calitatea modelului.
- Set de date (dataset): O colecție organizată de exemple (texte, imagini, tabele) folosită pentru a antrena, verifica sau compara modele AI.
- Data science: Domeniul care extrage informații utile din date, combinând statistica, programarea și cunoașterea domeniului analizat.
- Reducerea dimensionalității: Tehnici care comprimă datele cu foarte multe caracteristici în câteva, păstrând cât mai mult din informația importantă.
- Arbore de decizie: Model care ia decizii printr-o succesiune de întrebări simple de tip da/nu, organizate ca ramurile unui copac.