feature engineering
Feature engineering er processen med at udvælge, transformere og skabe relevante inputvariable (features) fra rådata for at forbedre præstationen af maskinlæringsmodeller.
Kort fortalt
Feature engineering handler om at gøre rådata mere brugbare for AI-modeller ved at omdanne dem til nyttige input.
- Kategori
- teknik
- Niveau
- øvet
Betydninger
1- 1
Processen med at omdanne rådata til optimerede inputvariable, der forbedrer maskinlæringsmodellers nøjagtighed og robusthed.
- Feature engineering var afgørende for at forbedre modellens præcision.
- Han brugte feature engineering til at skabe en interaktionsfeature mellem alder og indkomst.
Hvornår bruges det
Feature engineering anvendes i praksis i dataforberedelsesfasen af et maskinlæringsprojekt, hvor man eksempelvis skaber interaktionsfeatures, normaliserer numeriske værdier eller koder kategoriske variable. Det kræver ofte domæneviden og kreativitet.
Kodeeksempel
import pandas as pd
df = pd.get_dummies(df, columns=['category'])One-hot encoding af en kategorisk variabel.
Oprindelse
Feature engineering er et engelsk lånebegreb, der består af 'feature' (træk/egenskab) og 'engineering' (ingeniørarbejde/konstruktion). Det blev udbredt i machine learning-miljøer i 2010'erne.
Afledte ord
2Kilder
2- Zheng, A., & Casari, A. (2018). Feature Engineering for Machine Learning.
- Kuhn, M., & Johnson, K. (2019). Feature Engineering and Selection.