วิศวกรรมคุณสมบัติ

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

โมเดลสามารถเรียนรู้ได้จากอินพุตที่คุณให้เท่านั้น และข้อมูลดิบมักไม่ค่อยได้มาในรูปแบบที่เป็นประโยชน์ วิศวกรรมฟีเจอร์ได้ปรับเปลี่ยนรูปแบบใหม่: แยกวันในสัปดาห์ออกจากการประทับเวลา คำนวณการซื้อโดยเฉลี่ยของลูกค้า การเข้ารหัสหมวดหมู่เป็นตัวเลข ปรับขนาดค่าให้อยู่ในช่วงทั่วไป หรือรวมคอลัมน์เป็นอัตราส่วน เมื่อทำได้ดี จะเผยให้เห็นรูปแบบที่อัลกอริทึมต้องการ ดังนั้นโมเดลที่เรียบง่ายที่มีฟีเจอร์ที่ยอดเยี่ยมมักจะเหนือกว่าโมเดลที่ซับซ้อนในข้อมูลดิบ นอกจากนี้ยังต้องใช้ความรู้โดเมน เนื่องจากการรู้ว่า 'ธุรกรรมต่อนาที' เป็นสัญญาณของการฉ้อโกงคือสิ่งที่สร้างคุณลักษณะที่มีประสิทธิภาพ ความเสี่ยงแบบคลาสสิกคือข้อมูลรั่วไหล โดยไม่ได้ตั้งใจสร้างฟีเจอร์จากข้อมูลที่ไม่พร้อมใช้งานในเวลาคาดการณ์ ซึ่งทำให้คะแนนการทดสอบสูงเกินจริงแต่ล้มเหลวในการใช้งานจริง การเรียนรู้เชิงลึกทำให้บางส่วนเป็นไปโดยอัตโนมัติ แต่ปัญหาที่มีโครงสร้าง/ตารางยังคงต้องอาศัยปัญหาดังกล่าวเป็นอย่างมาก