Özellik Mühendisliği
Özellik mühendisliği, ham verileri bir modelin öğrenmesine yardımcı olan bilgilendirici girdilere (özellikler) dönüştürme sanatıdır.
Genel Bakış
In classic machine learning it is often the single biggest driver of accuracy, more than the choice of algorithm.
Derin Dalış
Bir model yalnızca sizin verdiğiniz girdilerden öğrenebilir ve ham veriler nadiren yararlı bir biçimde elde edilir. Özellik mühendisliği bunu yeniden şekillendiriyor: haftanın gününü bir zaman damgasından çıkarmak, müşterinin ortalama satın alımını hesaplamak, kategorileri sayı olarak kodlamak, değerleri ortak bir aralığa ölçeklendirmek veya sütunları oranlar halinde birleştirmek. İyi yapıldığında, bir algoritmanın ihtiyaç duyduğu kalıpları ortaya çıkarır, bu nedenle harika özelliklere sahip basit bir model, genellikle ham verilere dayalı karmaşık bir modeli geride bırakır. Aynı zamanda etki alanı bilgisi de gerektirir, çünkü örneğin 'dakika başına işlem sayısı'nın sahtekarlığa işaret ettiğini bilmek güçlü bir özellik yaratır. Klasik risk, veri sızıntısı, kazara tahmin zamanında mevcut olmayacak bilgilerden bir özelliğin oluşturulmasıdır; bu da test puanlarını şişirir ancak üretimde başarısız olur. Derin öğrenme bunların bir kısmını otomatikleştirir, ancak yapılandırılmış/tablolu problemler hala büyük ölçüde buna dayanmaktadır.
Teknik Bilgi
Yaygın teknikler arasında normalleştirme veya standardizasyon (tek bir özelliğin baskın olmaması için sayıları ölçeklendirme), kategorik değişkenler için tek-etkin veya hedef kodlama, sürekli değerleri gruplandırma ve etkileşim veya toplu özellikler oluşturma yer alır. Kritik bir disiplin, dönüşümleri (ölçekleyicinin ortalaması ve standart sapması gibi) yalnızca eğitim verilerine uydurmak ve ardından bunları doğrulama ve test setlerine uygulamaktır. Bunları tüm veri kümesi üzerinde hesaplamak bilgi sızdırır ve dağıtımda geçerli olmayacak aşırı iyimser sonuçlar üretir.
Stratejik Etki
Daha net kararlar
Açık teknik iddiaları pazarlama dilinden ayırmanıza yardımcı olur.
Maliyet ve bütçe
Para veya zaman harcamadan önce daha iyi uygulama soruları sorabilirsiniz.
Ekip ve iş akışı
Ortak anlayışa sahip ekipler daha iyi ürün, politika ve öğrenme kararları verir.
Özellik Mühendisliğinin Geleceği
Derin öğrenme, ağların temsilleri doğrudan ham girdilerden öğrendiği görüntüler, ses ve metin için otomatik özellik çıkarımına sahiptir. Ancak çoğu kurumsal veri olan tablo ve iş verileri için, düşünceli özellik mühendisliği belirleyici olmaya devam ediyor. Alan otomasyona (AutoML, otomatik özellik oluşturma) ve ekiplerin modeller arasında tutarlı, iyi test edilmiş özellikleri paylaşmasına olanak tanıyan yeniden kullanılabilir 'özellik depolarına' doğru kayıyor. En yüksek değere sahip özellikler için insan alanı uzmanlığı temel olmaya devam ederken, özellikler öneren ve sızıntıya karşı koruma sağlayan daha fazla araç bekleyebilirsiniz.
Gerçek Dünya Uygulaması
Dolandırıcılık tespiti: İşlem sıklığı, son satın alma işleminden bu yana geçen süre ve olağan konumdan uzaklık gibi özelliklerin elde edilmesi.
Talep tahmini: ham satış zaman damgalarından haftanın gününü, tatil işaretlerini ve hareketli ortalamaları çıkarmak.
Kredi puanlama: ham geçmişin borç-gelir oranı ve son dönemdeki geç ödemelerin sayısı gibi oranlara dönüştürülmesi.
Müşteri kaybı: Faaliyetin, aylık oturum açma sayısı ve son etkileşimden bu yana geçen gün sayısı gibi özellikler halinde toplanması.
Riskler ve Korkuluklar
Farklı ekipler aynı terimi farklı şekilde kullanabilir; bu nedenle kapsamı erken tanımlayın.
Gerçek dünya performansı dengesizken karşılaştırmalar güçlü görünebilir.
Veri kalitesini ve değerlendirme planlarını göz ardı etmek çoğu zaman hassas sonuçlar doğurur.
Uygulama Yol Haritası
İhtiyacınız olan sonucun sade bir dille tanımlanmasıyla başlayın.
Test etmeden önce bir başarı ölçüsü ve bir başarısızlık koşulu seçin.
Gösterişli bir demo seti yerine, temsili verilerle küçük bir pilot çalışma yürütün.
Özellik Mühendisliğinin nerede yardımcı olduğunu ve daha basit yöntemlerin nerede daha iyi olduğunu belgeleyin.
Keşfetmeye Devam Edin
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Feature Engineering quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
Özellik Mühendisliği İşlem Hatları ve Veri Sürümü Oluşturma
Sık sorulan sorular
What is Feature Engineering?
Özellik mühendisliği, ham verileri bir modelin öğrenmesine yardımcı olan bilgilendirici girdilere (özellikler) dönüştürme sanatıdır. Klasik makine öğreniminde bu, genellikle algoritma seçiminden çok, doğruluğun en büyük itici gücüdür.
Özellik mühendisliği nedir?
Özellik mühendisliği, modelin yararlı modeller bulabilmesi için ham verilerden girdilerin (özelliklerin) işlenmesiyle ilgilidir.
Özellik mühendisliği neden klasik makine öğreniminde sıklıkla hayati öneme sahip olarak tanımlanıyor?
Yapılandırılmış verilerde, iyi tasarlanmış özellikler çoğu zaman belirli bir modelden daha önemlidir; bu nedenle harika özelliklere sahip basit bir model kazanabilir.
Özellik mühendisliğinde veri sızıntısı nedir?
Sızıntı, bir özelliğin tahmin yaparken gerçekte sahip olamayacağınız bilgileri gizlice sızdırması, test puanlarını şişirmesine rağmen üretimde başarısız olması anlamına gelir.
Özellikleri ölçeklendirirken (örn. standardizasyon), ortalamayı ve standart sapmayı nerede hesaplamalısınız?
Ölçekleyiciyi yalnızca eğitim verilerine sığdırmak ve ardından başka bir yere uygulamak sızıntıyı önler ve gerçekçi performans tahminleri sağlar.
Aşağıdakilerden hangisi kategorik veriler için tipik bir özellik mühendisliği tekniğidir?
Kategorik değişkenler genellikle tek geçişli veya hedef kodlama yoluyla sayılara dönüştürülür, böylece modeller bunları kullanabilir.