Feature Engineering

Kỹ nghệ đặc trưng là quá trình chuyển đổi dữ liệu thô thành các đầu vào có ý nghĩa giúp cải thiện hiệu suất của các mô hình học máy. Nó bao gồm việc tận dụng kiến thức chuyên môn để lựa chọn, sửa đổi hoặc tạo ra các biến mới—được gọi là đặc trưng—giúp các thuật toán hiểu rõ hơn các quy luật trong dữ liệu. Mặc dù các kiến trúc học sâu hiện đại như Convolutional Neural Networks (CNNs) có khả năng tự động học các đặc trưng, kỹ nghệ đặc trưng rõ ràng vẫn là một bước quan trọng trong nhiều quy trình làm việc, đặc biệt là khi làm việc với dữ liệu có cấu trúc hoặc khi cố gắng tối ưu hóa hiệu quả mô hình trên các thiết bị biên. Bằng cách tinh chỉnh dữ liệu đầu vào, các nhà phát triển thường có thể đạt được độ chính xác cao hơn với các mô hình đơn giản hơn, giảm nhu cầu về tài nguyên tính toán khổng lồ.

Link to this sectionVai trò của Kỹ nghệ đặc trưng trong AI#

Trong bối cảnh của trí tuệ nhân tạo (AI), dữ liệu thô hiếm khi sẵn sàng để xử lý ngay lập tức. Hình ảnh có thể cần thay đổi kích thước, văn bản có thể yêu cầu mã hóa token, và dữ liệu dạng bảng thường chứa các giá trị bị thiếu hoặc các cột không liên quan. Kỹ nghệ đặc trưng giúp thu hẹp khoảng cách giữa thông tin thô và các biểu diễn toán học cần thiết cho các thuật toán. Kỹ nghệ hiệu quả có thể làm nổi bật các mối quan hệ quan trọng mà một mô hình có thể bỏ lỡ, chẳng hạn như kết hợp "khoảng cách" và "thời gian" để tạo ra đặc trưng "tốc độ". Quá trình này gắn liền với tiền xử lý dữ liệu, nhưng trong khi tiền xử lý tập trung vào làm sạch và định dạng, kỹ nghệ đặc trưng thiên về sự nâng cao mang tính sáng tạo để tăng cường khả năng dự báo.

Đối với các tác vụ thị giác máy tính, kỹ nghệ đặc trưng đã phát triển đáng kể. Các phương pháp truyền thống liên quan đến việc tạo thủ công các bộ mô tả như Scale-Invariant Feature Transform (SIFT) để xác định các cạnh và góc. Ngày nay, các mô hình học sâu như YOLO26 thực hiện trích xuất đặc trưng tự động trong các lớp ẩn của chúng. Tuy nhiên, kỹ nghệ vẫn đóng vai trò quan trọng trong việc chuẩn bị các bộ dữ liệu, chẳng hạn như tạo dữ liệu tổng hợp hoặc áp dụng các kỹ thuật tăng cường dữ liệu như mosaic và mixup để cho phép các mô hình tiếp xúc với các biến thể đặc trưng mạnh mẽ hơn trong quá trình huấn luyện.

Link to this sectionCác kỹ thuật và ứng dụng phổ biến#

Kỹ nghệ đặc trưng bao gồm một loạt các chiến lược được điều chỉnh phù hợp với vấn đề cụ thể và loại dữ liệu.

• Giảm chiều dữ liệu: Các kỹ thuật như Principal Component Analysis (PCA) làm giảm số lượng biến trong khi vẫn giữ lại thông tin thiết yếu, ngăn ngừa quá mức (overfitting) trong các bộ dữ liệu có chiều cao.
• Mã hóa các biến phân loại: Các thuật toán thường yêu cầu đầu vào dạng số. Các phương pháp như one-hot encoding chuyển đổi các nhãn phân loại (ví dụ: "Đỏ", "Xanh") thành các vector nhị phân mà các mô hình có thể xử lý.
• Chuẩn hóa và co giãn: Việc co giãn các đặc trưng về một phạm vi tiêu chuẩn đảm bảo rằng các biến có độ lớn cao hơn (như giá nhà) không áp đảo những biến có phạm vi nhỏ hơn (như số lượng phòng), điều này rất quan trọng đối với việc tối ưu hóa dựa trên gradient trong các mạng nơ-ron.
• Phân bin và rời rạc hóa: Nhóm các giá trị liên tục vào các bin (ví dụ: các nhóm tuổi) có thể giúp các mô hình xử lý các giá trị ngoại lệ hiệu quả hơn và nắm bắt được các mối quan hệ phi tuyến tính.

Link to this sectionVí dụ thực tế#

Kỹ nghệ đặc trưng được áp dụng trên nhiều ngành công nghiệp khác nhau để giải quyết các vấn đề phức tạp.

1. Bảo trì dự đoán trong sản xuất: Trong sản xuất thông minh, các cảm biến thu thập dữ liệu rung động và nhiệt độ thô từ máy móc. Các kỹ sư có thể tạo ra các đặc trưng đại diện cho "tốc độ thay đổi" của nhiệt độ hoặc "trung bình trượt" của cường độ rung động. Những đặc trưng được kỹ nghệ hóa này cho phép các mô hình phát hiện bất thường dự đoán hỏng hóc thiết bị trước nhiều ngày, thay vì chỉ phản ứng với các số liệu đọc từ cảm biến hiện tại.

2. Đánh giá rủi ro tín dụng: Các tổ chức tài chính sử dụng kỹ nghệ đặc trưng để đánh giá khả năng vay vốn. Thay vì chỉ xem xét con số "thu nhập" thô, họ có thể kỹ nghệ hóa "tỷ lệ nợ trên thu nhập" hoặc "phần trăm sử dụng tín dụng". Những đặc trưng dẫn xuất này cung cấp cái nhìn chi tiết hơn về sức khỏe tài chính của người vay, cho phép phân loại rủi ro chính xác hơn.

Link to this sectionVí dụ mã: Tăng cường đặc trưng tùy chỉnh#

Trong thị giác máy tính, chúng ta có thể "kỹ nghệ hóa" các đặc trưng bằng cách tăng cường hình ảnh để mô phỏng các điều kiện môi trường khác nhau. Điều này giúp các mô hình như YOLO26 tổng quát hóa tốt hơn. Ví dụ sau đây minh họa cách áp dụng biến đổi thang độ xám đơn giản bằng cách sử dụng các công cụ ultralytics, buộc mô hình phải học các đặc trưng cấu trúc thay vì chỉ dựa vào màu sắc.

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

Link to this sectionPhân biệt với các thuật ngữ liên quan#

Việc phân biệt kỹ nghệ đặc trưng với các khái niệm tương tự là hữu ích để tránh nhầm lẫn trong các cuộc thảo luận về quy trình làm việc.

• Kỹ nghệ đặc trưng so với Trích xuất đặc trưng: Mặc dù thường được sử dụng thay thế cho nhau, có một sự khác biệt nhỏ. Kỹ nghệ đặc trưng ngụ ý một quá trình sáng tạo, thủ công trong việc xây dựng các đầu vào mới dựa trên kiến thức chuyên môn. Ngược lại, trích xuất đặc trưng thường đề cập đến các phương pháp tự động hoặc các phép chiếu toán học (như PCA) giúp chắt lọc dữ liệu có chiều cao thành một biểu diễn dày đặc. Trong học sâu (DL), các lớp trong Convolutional Neural Networks (CNNs) thực hiện trích xuất đặc trưng tự động bằng cách học các bộ lọc cho các cạnh và kết cấu.
• Kỹ nghệ đặc trưng so với Nhúng (Embeddings): Trong xử lý ngôn ngữ tự nhiên (NLP) hiện đại, việc tạo đặc trưng thủ công (như đếm tần suất từ) phần lớn đã được thay thế bởi nhúng (embeddings). Nhúng là các biểu diễn vector dày đặc được chính mô hình học để nắm bắt ý nghĩa ngữ nghĩa. Mặc dù nhúng là một dạng đặc trưng, chúng được học thông qua các quy trình học máy tự động (AutoML) thay vì được "kỹ nghệ hóa" một cách rõ ràng bằng tay.

Bằng cách làm chủ kỹ nghệ đặc trưng, các nhà phát triển có thể xây dựng các mô hình không chỉ chính xác hơn mà còn hiệu quả hơn, đòi hỏi ít sức mạnh tính toán hơn để đạt được hiệu suất cao. Các công cụ như Ultralytics Platform tạo điều kiện thuận lợi cho việc này bằng cách cung cấp các giao diện trực quan cho quản lý bộ dữ liệu và huấn luyện mô hình, cho phép người dùng lặp lại nhanh chóng các chiến lược đặc trưng của họ.