Öznitelik Mühendisliği

Özellik mühendisliği, ham verileri bilgilendirici verilere dönüştürmek için alan bilgisinden yararlanma sanatı ve bilimidir. Tahmine dayalı modeller için altta yatan sorunu daha etkili bir şekilde temsil eden nitelikler. Daha geniş kapsamda makine öğrenimi (ML), ham veri nadiren hazırdır Anında işleme için; genellikle gürültü, eksik değerler veya algoritmaların yorumlayamadığı formatlar içerir Doğrudan. Mühendisler yeni özellikler oluşturarak veya mevcut olanları değiştirerek model doğruluğu ve performansı, genellikle daha iyi daha karmaşık bir algoritmaya geçmekten daha iyi sonuçlar verir. Bu süreç, ham bilgi ile işlenmemiş bilgi arasındaki boşluğu doldurur. için gerekli olan matematiksel gösterim ve Tahmine dayalı modelleme.

Özellik Mühendisliğinde Temel Teknikler

Süreç tipik olarak verilerdeki en ilgili sinyalleri ortaya çıkarmak için tasarlanmış birkaç yinelemeli adımı içerir. Bir yandan Python 'daki Pandas kütüphanesi gibi araçlar bu manipülasyonları kolaylaştırır. stratejisi büyük ölçüde spesifik sorun alanının anlaşılmasına dayanır.

• İmputasyon ve Temizleme: Yeni özellikler oluşturmadan önce verilerin stabilize edilmesi gerekir. Bu şunları içerir aracılığıyla eksik değerlerin işlenmesi ile boşlukları doldurmak gibi veri temizleme teknikleri ortalama, medyan veya tahmin edilen bir değer olarak bilinen bir süreçtir. imputation.
• Dönüşüm ve Ölçeklendirme: Birçok algoritma, girdi değişkenleri büyük ölçüde farklı ölçekler. Gibi teknikler normalleştirme (verileri 0 ila 1 aralığına ölçekleme) veya standardizasyon (verilerin ortalama etrafında merkezlenmesi), öğrenme sürecinde tek bir özelliğin baskın olmamasını sağlar tamamen büyüklüğü nedeniyle.
• Kategorik Verilerin Kodlanması: Modeller genellikle sayısal girdi gerektirir. Özellik mühendisliği şunları içerir metin etiketlerini dönüştürme veya kategorik verilere sayılar. Yaygın yöntemler arasında etiket kodlama ve Her kategori için ikili sütunlar oluşturan tek vuruşlu kodlama.
• Özellik Oluşturma: Bu, yeni değişkenlerin türetildiği yaratıcı yöndür. Örneğin, içinde Bir gayrimenkul veri kümesinde, "uzunluk" ve "genişlik "i ayrı ayrı kullanmak yerine, bir mühendis fiyatla daha güçlü bir korelasyon gösteren bir "metrekare" özelliği oluşturmak için bunları çarpın.
• Özellik Seçimi: Çok fazla özellik eklemek aşağıdakilere yol açabilir modelin gürültüyü ezberlediği aşırı uyum. Özyinelemeli özellik eleme gibi teknikler veya boyutsallık indirgemesi tanımlamaya yardımcı olur ve yalnızca en etkili nitelikleri koruyun.

Bilgisayarlı Görüde Özellik Mühendisliği

Bilgisayarla görme (CV) alanında, özellik mühendisliği genellikle şu şekildedir veri artırımı. Modern derin öğrenme modeller otomatik olarak hiyerarşi ve kalıpları öğrenir, eğitim verilerini daha sağlam olacak şekilde "tasarlayabiliriz" Farklı çevresel koşulların simülasyonu. Değiştirme hiperparametre ayarlama konfigürasyonları geometrik dönüşümleri içermesi, modelin yönelim veya perspektife göre değişmeyen özellikleri öğrenmesini sağlar.

Aşağıdaki kod parçacığı, eğitim sırasında artırma tabanlı özellik mühendisliğinin nasıl uygulanacağını göstermektedir YOLO11 model. Gibi argümanları ayarlayarak degrees ve shearorijinal veri kümesinden yeni özellik varyasyonları sentezliyoruz.

from ultralytics import YOLO

# Load a pretrained YOLO11 model
model = YOLO("yolo11n.pt")

# Train with augmentation hyperparameters acting as on-the-fly feature engineering
# 'degrees' rotates images +/- 10 deg, 'shear' changes perspective
model.train(data="coco8.yaml", epochs=3, degrees=10.0, shear=2.5)

Gerçek Dünya Uygulamaları

Özellik mühendisliğinin değeri en iyi şekilde farklı sektörlerdeki pratik uygulamalarıyla anlaşılabilir.

1. Finansal Risk Değerlendirmesi: Finans sektöründe, ham işlem kayıtları aşağıdakiler için yetersizdir kredi itibarının değerlendirilmesi. Uzmanlar kullanıyor Finans alanında yapay zeka "borç-gelir" veya "kredi kullanım oranı" gibi oranlar oluşturmak için. Bu mühendislik özellikler, finansal sağlığın doğrudan bir sinyalini sağlayarak daha kesin kredi riski modellemesi ile karşılaştırıldığında maaş ya da borç rakamları tek başına değerlendirilemez.
2. Üretimde Kestirimci Bakım: İçinde Üretimde yapay zeka, sensörler topluyor titreşim ve sıcaklıkla ilgili yüksek frekanslı veriler. Ham sensör okumalarını doğrudan bir modele beslemek genellikle gürültülüdür ve etkisizdir. Bunun yerine, mühendisler gibi özellikler oluşturmak için zaman serisi analizi "son bir saat içindeki ortalama sıcaklık" veya "titreşim standart sapması". Bunlar birleştirilmiş özellikler, makine aşınmasını gösteren eğilimleri ve anormallikleri anlık özelliklerden çok daha iyi yakalar değerler.

İlgili Terimlerden Ayrım

İş akışı tartışmalarında karışıklığı önlemek için özellik mühendisliğini benzer kavramlardan ayırmak yararlı olacaktır.

• Özellik Mühendisliği ve Özellik Çıkarma: Genellikle birbirinin yerine kullanılsa da, arada bir nüans vardır. Özellik mühendisliği, aşağıdakilere dayalı olarak yeni girdiler oluşturmaya yönelik manuel, yaratıcı bir süreci ifade eder alan bilgisi. Tam tersine, özellik çıkarma genellikle otomatikleştirilmiş yöntemleri veya yüksek boyutlu verileri yoğun bir temsile dönüştüren matematiksel projeksiyonlar (PCA gibi). İçinde derin öğrenme (DL), katmanlar Evrişimsel Sinir Ağları (CNN'ler) Kenarlar ve dokular için filtreler öğrenerek otomatik özellik çıkarımı gerçekleştirir.
• Özellik Mühendisliği ve Yerleştirmeler: Modern doğal dil işleme (NLP), manuel özellik oluşturma (kelime sıklığını sayma gibi) büyük ölçüde yerini Gömüler. Gömüler yoğun vektörlerdir Anlamsal anlamı yakalamak için modelin kendisi tarafından öğrenilen temsiller. Gömüler bir özellik biçimi olsa da, aracılığıyla öğrenilirler otomatik makine öğrenimi (AutoML) açıkça elle "tasarlanmış" olmaktan ziyade süreçler.

Geliştiriciler, özellik mühendisliği konusunda uzmanlaşarak yalnızca daha doğru değil aynı zamanda daha verimli modeller oluşturabilir, Yüksek performans elde etmek için daha az hesaplama gücü gerektirir.