फ़ीचर इंजीनियरिंग

In classic machine learning it is often the single biggest driver of accuracy, more than the choice of algorithm.

एक मॉडल केवल आपके द्वारा दिए गए इनपुट से ही सीख सकता है, और कच्चा डेटा शायद ही कभी उपयोगी रूप में आता है। फ़ीचर इंजीनियरिंग इसे नया आकार देती है: टाइमस्टैम्प से सप्ताह का दिन निकालना, ग्राहक की औसत खरीदारी की गणना करना, श्रेणियों को संख्याओं के रूप में एन्कोड करना, मानों को एक सामान्य श्रेणी में स्केल करना, या कॉलम को अनुपात में संयोजित करना। अच्छी तरह से किया गया, यह उन पैटर्न को उजागर करता है जिनकी एल्गोरिदम को आवश्यकता होती है, इसलिए महान सुविधाओं पर एक सरल मॉडल अक्सर कच्चे डेटा पर एक जटिल मॉडल को हरा देता है। इसके लिए डोमेन ज्ञान की भी आवश्यकता होती है, क्योंकि यह जानना, मान लीजिए, 'प्रति मिनट लेनदेन' धोखाधड़ी का संकेत देता है, जो एक शक्तिशाली सुविधा बनाता है। क्लासिक जोखिम डेटा रिसाव है, गलती से जानकारी से एक सुविधा का निर्माण करना जो भविष्यवाणी के समय उपलब्ध नहीं होगा, जो परीक्षण स्कोर बढ़ाता है लेकिन उत्पादन में विफल रहता है। गहन शिक्षण इसमें से कुछ को स्वचालित करता है, लेकिन संरचित/सारणीबद्ध समस्याएं अभी भी इस पर बहुत अधिक निर्भर करती हैं।