Feature Engineering

Model performansını artırmak için özellik mühendisliğini keşfet. Daha yüksek doğruluk için Ultralytics YOLO26'yı optimize etmeye yönelik ölçeklendirme ve artırma gibi teknikleri öğren.

Öznitelik mühendisliği, ham verileri makine öğrenmesi modellerinin performansını artıran anlamlı girdilere dönüştürme sürecidir. Algoritmaların verideki örüntüleri daha iyi anlamasına yardımcı olan ve öznitelik olarak bilinen yeni değişkenleri seçmek, değiştirmek veya oluşturmak için alan bilgisinden yararlanmayı içerir. Evrişimli Sinir Ağları (CNN'ler) gibi modern derin öğrenme mimarileri öznitelikleri otomatik olarak öğrenebilse de, özellikle yapılandırılmış verilerle çalışırken veya uç cihazlarda model verimliliğini optimize etmeye çalışırken açık öznitelik mühendisliği birçok iş akışında kritik bir adım olmaya devam etmektedir. Girdi verilerini iyileştirerek geliştiriciler genellikle daha basit modellerle daha yüksek doğruluk elde edebilir ve büyük hesaplama kaynaklarına duyulan ihtiyacı azaltabilir.

Yapay Zekada Özellik Mühendisliğinin Rolü#

Yapay zeka (AI) bağlamında ham veriler nadiren anlık işleme hazırdır. Görsellerin yeniden boyutlandırılması gerekebilir, metinler token'laştırma gerektirebilir ve tablo verileri genellikle eksik değerler veya ilgisiz sütunlar barındırır. Öznitelik mühendisliği, ham bilgi ile algoritmaların gerektirdiği matematiksel temsiller arasındaki boşluğu doldurur. Etkili mühendislik; "hız" özniteliğini oluşturmak için "mesafe" ve "zaman" kavramlarını birleştirmek gibi, bir modelin başka bir şekilde gözden kaçırabileceği kritik ilişkileri öne çıkarabilir. Bu süreç veri ön işleme ile yakından ilişkilidir, ancak ön işleme temizleme ve biçimlendirmeye odaklanırken öznitelik mühendisliği tahmine dayalı gücü artırmak için yaratıcı bir geliştirmedir.

Bilgisayarlı görü görevleri için öznitelik mühendisliği önemli ölçüde evrim geçirmiştir. Geleneksel yöntemler; kenarları ve köşeleri belirlemek için Ölçek Değişmezliğine Sahip Öznitelik Dönüşümü (SIFT) gibi tanımlayıcıları manuel olarak oluşturmayı içeriyordu. Günümüzde YOLO26 gibi derin öğrenme modelleri, gizli katmanları içinde otomatik öznitelik çıkarımı gerçekleştirir. Bununla birlikte mühendislik, sentetik veri üretmek veya modelleri eğitim sırasında daha sağlam öznitelik varyasyonlarıyla karşılaştırmak için mozaikler ve mixup'lar gibi veri artırma teknikleri uygulamak gibi veri setlerini hazırlamada hala hayati bir rol oynamaktadır.

Yaygın Teknikler ve Uygulamalar#

Özellik mühendisliği, belirli probleme ve veri türüne göre uyarlanmış geniş bir strateji yelpazesini kapsar.

Boyut Azaltma: Temel Bileşen Analizi (PCA) gibi teknikler, temel bilgileri korurken değişken sayısını azaltır ve yüksek boyutlu veri setlerinde aşırı öğrenmeyi (overfitting) önler.
Kategorik Değişkenleri Kodlama: Algoritmalar genellikle sayısal girdi gerektirir. Tek-sıcak kodlama (one-hot encoding) gibi yöntemler, kategorik etiketleri (örn. "Kırmızı", "Mavi") modellerin işleyebileceği ikili vektörlere dönüştürür.
Normalizasyon ve Ölçeklendirme: Öznitelikleri standart bir aralığa ölçeklendirmek, daha büyük büyüklüklere sahip değişkenlerin (ev fiyatları gibi) daha küçük aralıklara sahip olanları (oda sayısı gibi) bastırmamasını sağlar; bu da sinir ağlarında gradyan tabanlı optimizasyon için çok önemlidir.
Gruplandırma (Binning) ve Ayrıklaştırma: Sürekli değerleri gruplara (örneğin yaş grupları) ayırmak, modellerin aykırı değerleri daha etkili bir şekilde ele almasına ve doğrusal olmayan ilişkileri yakalamasına yardımcı olabilir.

Gerçek Dünya Örnekleri#

Özellik mühendisliği, karmaşık sorunları çözmek için çeşitli endüstrilerde uygulanmaktadır.

Üretimde Kestirimci Bakım: Akıllı üretimde sensörler makinelerden ham titreşim ve sıcaklık verilerini toplar. Mühendisler, sıcaklıktaki "değişim oranını" veya titreşim yoğunluğunun "hareketli ortalamasını" temsil eden öznitelikler oluşturabilir. Bu mühendislikle elde edilen öznitelikler, anomali tespiti modellerinin yalnızca mevcut sensör okumalarına tepki vermek yerine ekipman arızalarını günler öncesinden tahmin etmesini sağlar.
Kredi Riski Değerlendirmesi: Finansal kuruluşlar kredi uygunluğunu değerlendirmek için öznitelik mühendisliğinden yararlanır. Yalnızca ham bir "gelir" rakamına bakmak yerine, "borç-gelir oranı" veya "kredi kullanım yüzdesi" gibi öznitelikler üretebilirler. Bu türetilmiş öznitelikler, borçlunun finansal sağlığı hakkında daha ayrıntılı bir bakış açısı sunarak daha doğru bir risk sınıflandırması yapılmasına olanak tanır.

Kod Örneği: Özel Özellik Artırma#

Bilgisayarlı görüde, farklı çevresel koşulları simüle etmek için görüntüleri artırarak öznitelikler "üretebiliriz". Bu, YOLO26 gibi modellerin daha iyi genelleşmesine yardımcı olur. Aşağıdaki örnek, modelin yalnızca renge güvenmek yerine yapısal öznitelikleri öğrenmeye zorlayan ultralytics araçlarını kullanarak basit bir gri tonlama dönüşümünün nasıl uygulanacağını göstermektedir.

import cv2
from ultralytics.data.augment import Albumentations

# Load an example image using OpenCV
img = cv2.imread("path/to/image.jpg")

# Define a transformation pipeline to engineer new visual features
# Here, we convert images to grayscale with a 50% probability
transform = Albumentations(p=1.0)
transform.transform = A.Compose([A.ToGray(p=0.5)])

# Apply the transformation to create a new input variation
augmented_img = transform(img)

# This process helps models focus on edges and shapes, improving robustness

İlgili Terimlerden Farkı#

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

Öznitelik Mühendisliği ve Öznitelik Çıkarımı: Genellikle birbirinin yerine kullanılsa da aralarında ince bir fark vardır. Öznitelik mühendisliği, alan bilgisine dayanarak yeni girdiler oluşturmaya yönelik manuel ve yaratıcı bir süreci ifade eder. Buna karşılık öznitelik çıkarımı, genellikle yüksek boyutlu verileri yoğun bir temsile indirgeyen otomatik yöntemleri veya matematiksel projeksiyonları (PCA gibi) ifade eder. Derin öğrenmede (DL), Evrişimli Sinir Ağlarındaki (CNN'ler) katmanlar kenarlar ve dokular için filtreler öğrenerek otomatik öznitelik çıkarımı gerçekleştirir.
Öznitelik Mühendisliği ve Gömmeler (Embeddings): Modern doğal dil işlemede (NLP) manuel öznitelik oluşturma (kelime sıklığını sayma gibi), yerini büyük ölçüde gömmelere (embeddings) bırakmıştır. Gömmeler, anlamsal anlamı yakalamak için modelin kendisi tarafından öğrenilen yoğun vektör temsilleridir. Gömmeler bir tür öznitelik olmalarına rağmen, elle açıkça "mühendisliği yapılmak" yerine otomatik makine öğrenmesi (AutoML) süreçleri aracılığıyla öğrenilir.

Öznitelik mühendisliğinde uzmanlaşarak geliştiriciler yalnızca daha doğru değil, aynı zamanda yüksek performans elde etmek için daha az hesaplama gücü gerektiren, daha verimli modeller oluşturabilir. Ultralytics Platform gibi araçlar, veri seti yönetimi ve model eğitimi için sezgisel arayüzler sunarak kullanıcıların öznitelik stratejileri üzerinde hızlı bir şekilde yineleme yapmasına olanak tanır ve bu süreci kolaylaştırır.