Öznitelik Mühendisliği

Öznitelik mühendisliği, ham veriyi, altta yatan problemi tahmini modellere daha iyi temsil eden özniteliklere dönüştürmek, oluşturmak ve seçmek için alan bilgisini kullanma sürecidir. Makine öğrenimi (ML) hattında kritik ve genellikle zaman alıcı bir adımdır, çünkü özniteliklerin kalitesi, elde edilen modelin performansını ve doğruluğunu doğrudan etkiler. Etkili öznitelik mühendisliği, vasat bir model ile yüksek doğruluklu bir model arasındaki fark olabilir ve genellikle farklı bir algoritma seçmekten veya kapsamlı hiperparametre ayarlamasından daha önemli performans kazanımları sağlar.

## Öznitelik Mühendisliği Süreci

Öznitelik mühendisliği hem bir sanat hem de bir bilimdir ve alan uzmanlığını matematiksel tekniklerle birleştirir. Bu süreç, genellikle scikit-learn'ün önişleme modülü gibi kütüphaneler veya otomatik öznitelik mühendisliği için özel araçlar kullanılarak yönetilen çeşitli yaygın aktivitelere ayrılabilir.

• Öznitelik Oluşturma: Bu, mevcut özniteliklerden yenilerini oluşturmayı içerir. Örneğin, bir perakende veri kümesinde, bir "satın alma tarihi"nden bir "müşteri olma tarihi" çıkararak bir "müşteri sadakat süresi" özniteliği oluşturabilirsiniz. Zaman serisi analizinde, bir zaman damgasından hareketli ortalamalar veya mevsimsellik gibi öznitelikler türetebilirsiniz.
• Dönüşümler: Ham verilerin, bir makine öğrenimi algoritmasının varsayımlarını karşılamak için dönüştürülmesi gerekir. Bu, sayısal özellikleri ölçeklendirmeyi, çarpık verileri işlemek için logaritmik dönüşümler uygulamayı veya sayıları kategorilere ayırmak için gruplandırma gibi teknikleri kullanmayı içerir.
• Kodlama: Birçok makine öğrenimi modeli, kategorik verileri doğrudan işleyemez. Kodlama, metin tabanlı kategorilerin sayısal gösterimlere dönüştürülmesini içerir. Yaygın yöntemler arasında, her kategori değerinin yeni bir ikili sütuna dönüştürüldüğü tek-sıcak kodlama ve etiket kodlama bulunur.
• Öznitelik Seçimi: Tüm öznitelikler yararlı değildir. Bazıları gereksiz veya alakasız olabilir ve aşırı öğrenmeye yol açabilecek gürültüye neden olabilir. Öznitelik seçimi, model performansını artırmak ve hesaplama maliyetini azaltmak için en alakalı özniteliklerin bir alt kümesini seçmeyi amaçlar.

## Gerçek Dünya Uygulamaları

Özellik mühendisliğinin etkisi birçok sektörde açıkça görülmektedir. Etkinliği genellikle, tahmin sinyallerini gerçekten yakalayan özellikleri oluşturmak için derin alan bilgisine bağlıdır.

1. Kredi Puanlaması: Finansta, ham müşteri verileri gelir, yaş ve kredi geçmişini içerebilir. Bir özellik mühendisi, "borç/gelir oranı" (toplam borcun brüt gelire bölünmesi) veya "kredi kullanımı" (kredi kartı bakiyesinin kredi limitine bölünmesi) gibi yeni değişkenler oluşturabilir. Bu tasarlanmış özellikler, tek başına ham sayılardan çok daha net bir kişinin finansal sağlığı sinyali sağlar ve bu da daha doğru kredi riski modellerine yol açar.
2. Tahmine Dayalı Bakım: Üretimde, makineler üzerindeki sensörler titreşim, sıcaklık ve dönüş hızı gibi büyük miktarda ham veri üretir. Arızaları tahmin etmek için bir mühendis, "son 24 saatteki sıcaklığın hareketli ortalaması" veya "titreşimin standart sapması" gibi özellikler oluşturabilir. Bu özellikler, mekanik bir arızadan önce gelen ve proaktif bakıma olanak tanıyan ve maliyetli duruş sürelerini önleyen ince bozulma kalıplarını ortaya çıkarabilir.

## Öznitelik Mühendisliği ve İlgili Kavramlar

YZ ve veri bilimindeki ilgili terimlerden öznitelik mühendisliğini ayırmak önemlidir.

• Öznitelik Mühendisliği - Öznitelik Çıkarımı Karşılaştırması: Öznitelik mühendisliği, büyük ölçüde sezgi ve uzmanlığa dayalı olarak yeni öznitelikler oluşturma sürecidir. Öznitelik çıkarımı, verileri azaltılmış bir öznitelik kümesine dönüştürmenin tipik olarak otomatik bir sürecidir. Derin öğrenmede, Evrişimsel Sinir Ağları (CNN'ler) gibi modeller, insan müdahalesi olmadan ham piksel verilerinden hiyerarşik öznitelikler (kenarlar, dokular, şekiller) öğrenerek otomatik olarak öznitelik çıkarımı gerçekleştirir.
• Öznitelik Mühendisliği - Gömme (Embedding) Karşılaştırması: Gömme, NLP ve bilgisayarlı görüde yaygın olan gelişmiş, öğrenilmiş bir öznitelik temsil biçimidir. Öznitelikleri manuel olarak oluşturmak yerine, bir model bir öğenin (bir kelime veya bir görüntü gibi) semantik anlamını yakalayan yoğun bir vektör öğrenir. Bu nedenle, gömmeler manuel mühendisliğin değil, otomatik öznitelik öğreniminin bir sonucudur.
• Öznitelik Mühendisliği - Veri Ön İşleme Karşılaştırması: Veri ön işleme, temel adımlarından biri olarak öznitelik mühendisliğini içeren daha geniş bir kategoridir. Ayrıca veri temizleme (eksik değerleri ve aykırı değerleri işleme) ve veri kümelerini eğitim için hazırlama gibi diğer önemli görevleri de kapsar.

Ultralytics YOLO modellerindeki gibi modern mimariler, nesne tespiti ve örnek segmentasyonu gibi görüntü tabanlı görevler için özellik çıkarımını otomatikleştirse de, özellik mühendisliğinin prensipleri temel olmaya devam etmektedir. Verileri etkili bir şekilde nasıl temsil edeceğimizi anlamak, modellerde hata ayıklamak, veri kalitesini artırmak ve görsel verileri yapılandırılmış verilerle birleştirmeyi içeren karmaşık sorunların üstesinden gelmek için çok önemlidir. Ultralytics HUB gibi platformlar, veri kümesi hazırlığından model dağıtımına kadar tüm bu yaşam döngüsünü yönetmek için araçlar sağlar.