Feature Engineering

Özellik mühendisliği, ham verileri makine öğrenimi modellerinin performansını artıran anlamlı girdilere dönüştürme sürecidir. Veri alanındaki bilgiden yararlanarak algoritmaların verilerdeki örüntüleri daha iyi anlamasına yardımcı olan ve özellik olarak adlandırılan yeni değişkenleri seçmeyi, değiştirmeyi veya oluşturmayı içerir. Evrişimli Sinir Ağları (CNNs) gibi modern derin öğrenme mimarileri özellikleri otomatik olarak öğrenebilse de açık özellik mühendisliği, özellikle yapılandırılmış verilerle çalışırken veya uç cihazlarda model verimliliğini optimize etmeye çalışırken birçok iş akışında kritik bir adım olmaya devam eder. Geliştiriciler, girdi verilerini iyileştirerek genellikle daha basit modellerle daha yüksek doğruluk elde edebilir ve büyük hesaplama kaynaklarına duyulan ihtiyacı azaltabilir.

Yapay Zekâda Özellik Mühendisliğinin Rolü#

Yapay zekâ (AI) bağlamında ham veriler nadiren doğrudan işlenmeye hazırdır. Görsellerin yeniden boyutlandırılması gerekebilir, metinlerin belirteçlere ayrılması gerekebilir ve tablo verileri genellikle eksik değerler veya ilgisiz sütunlar içerir. Özellik mühendisliği, ham bilgiler ile algoritmaların gerektirdiği matematiksel temsiller arasındaki boşluğu doldurur. Etkili mühendislik, bir modelin aksi hâlde gözden kaçırabileceği kritik ilişkileri ortaya çıkarabilir; örneğin "mesafe" ve "zaman" değerlerini birleştirerek bir "hız" özelliği oluşturabilir. Bu süreç veri ön işleme ile yakından ilişkilidir, ancak ön işleme temizleme ve biçimlendirmeye odaklanırken özellik mühendisliği, tahmin gücünü artırmak için yaratıcı iyileştirmeler yapmayı amaçlar.

Bilgisayarlı görü görevlerinde özellik mühendisliği önemli ölçüde gelişmiştir. Geleneksel yöntemler, kenarları ve köşeleri belirlemek için Ölçekten Bağımsız Özellik Dönüşümü (SIFT) gibi tanımlayıcıların elle tasarlanmasını içeriyordu. Günümüzde YOLO26 gibi derin öğrenme modelleri, gizli katmanları içinde otomatik özellik çıkarımı gerçekleştirir. Bununla birlikte mühendislik, veri kümelerini hazırlamada hâlâ hayati bir rol oynar; örneğin modelleri eğitim sırasında daha dayanıklı özellik çeşitliliklerine maruz bırakmak için sentetik veri oluşturmak veya mozaik ve mixup gibi veri artırma tekniklerini uygulamak.

Yaygın Teknikler ve Uygulamalar#

Özellik mühendisliği, belirli probleme ve veri türüne göre uyarlanmış çok çeşitli stratejileri kapsar.

• Boyut Azaltma: Temel Bileşen Analizi (PCA) gibi teknikler, temel bilgileri korurken değişken sayısını azaltır ve yüksek boyutlu veri kümelerinde aşırı öğrenmeyi önler.
• Kategorik Değişkenleri Kodlama: Algoritmalar genellikle sayısal girdiler gerektirir. One-hot kodlama gibi yöntemler, kategorik etiketleri (ör. "Kırmızı", "Mavi") modellerin işleyebileceği ikili vektörlere dönüştürür.
• Normalleştirme ve Ölçeklendirme: Özelliklerin standart bir aralığa ölçeklendirilmesi, daha büyük büyüklüklere sahip değişkenlerin (ev fiyatları gibi) daha küçük aralıklara sahip değişkenlere (oda sayıları gibi) baskın gelmemesini sağlar; bu, sinir ağlarında gradyan tabanlı optimizasyon için kritik öneme sahiptir.
• Gruplama ve Ayrıklaştırma: Sürekli değerleri gruplara ayırmak (ör. yaş grupları), modellerin aykırı değerleri daha etkili biçimde ele almasına ve doğrusal olmayan ilişkileri yakalamasına yardımcı olabilir.

Gerçek Dünya Örnekleri#

Özellik mühendisliği, karmaşık sorunları çözmek için çeşitli sektörlerde uygulanır.

1. Üretimde Kestirimci Bakım: Akıllı üretimde sensörler, makinelerden ham titreşim ve sıcaklık verileri toplar. Mühendisler, sıcaklıktaki "değişim oranını" veya titreşim yoğunluğunun "hareketli ortalamasını" temsil eden özellikler oluşturabilir. Bu mühendislikten geçirilmiş özellikler, anomali tespiti modellerinin ekipman arızasını yalnızca mevcut sensör okumalarına tepki vermek yerine günler öncesinden tahmin etmesini sağlar.

2. Kredi Riski Değerlendirmesi: Finans kuruluşları, kredi uygunluğunu değerlendirmek için özellik mühendisliğini kullanır. Yalnızca ham bir "gelir" değerine bakmak yerine, "borç-gelir oranı" veya "kredi kullanım yüzdesi" gibi özellikler oluşturabilirler. Bu türetilmiş özellikler, borçlunun mali durumuna ilişkin daha ayrıntılı bir görünüm sunarak daha doğru risk sınıflandırmasına olanak tanır.

Kod Örneği: Özel Özellik Artırma#

Bilgisayarlı görüde, farklı çevre koşullarını taklit etmek için görselleri artırarak özellikleri "mühendislikten geçirebiliriz". Bu, YOLO26 gibi modellerin daha iyi genelleme yapmasına yardımcı olur. Aşağıdaki örnek, yalnızca renklere güvenmek yerine modeli yapısal özellikleri öğrenmeye zorlayan ultralytics araçlarını kullanarak basit bir gri tonlama dönüşümünün nasıl uygulanacağını gösterir.

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

İlişkili Terimlerden Ayrımı#

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

• Özellik Mühendisliği ve Özellik Çıkarımı: Sıklıkla birbirinin yerine kullanılsalar da aralarında bir fark vardır. Özellik mühendisliği, alan bilgisine dayalı yeni girdiler oluşturmayı içeren elle yapılan, yaratıcı bir süreci ifade eder. Buna karşılık özellik çıkarımı genellikle yüksek boyutlu verileri yoğun bir temsile indirgeyen otomatik yöntemleri veya matematiksel projeksiyonları (PCA gibi) ifade eder. Derin öğrenmede (DL), Evrişimli Sinir Ağlarının (CNNs) katmanları, kenarlar ve dokular için filtreler öğrenerek otomatik özellik çıkarımı gerçekleştirir.
• Özellik Mühendisliği ve Gömme Temsilleri: Modern doğal dil işlemede (NLP), elle özellik oluşturmanın (kelime sıklığını saymak gibi) yerini büyük ölçüde gömme temsilleri almıştır. Gömme temsilleri, anlamsal anlamı yakalamak için modelin kendisi tarafından öğrenilen yoğun vektör temsilleridir. Gömme temsilleri bir özellik biçimi olsa da elle açıkça "mühendislikten geçirilmek" yerine otomatik makine öğrenimi (AutoML) süreçleri aracılığıyla öğrenilir.

Geliştiriciler, özellik mühendisliğinde ustalaşarak yalnızca daha doğru değil, aynı zamanda daha verimli ve yüksek performansa ulaşmak için daha az hesaplama gücü gerektiren modeller oluşturabilir. Ultralytics Platformu gibi araçlar, veri kümesi yönetimi ve model eğitimi için sezgisel arayüzler sunarak bunu kolaylaştırır ve kullanıcıların özellik stratejileri üzerinde hızlıca yineleme yapmasına olanak tanır.