Feature Engineering
Feature Engineering ist die Kunst, aus Rohdaten die richtigen Eingabemerkmale (Features) für ein Machine-Learning-Modell zu konstruieren. Es ist oft wichtiger als die Wahl des Algorithmus.
Feature Engineering
Feature Engineering bezeichnet den Prozess, aus Rohdaten aussagekräftige Merkmale (Features) zu extrahieren oder zu konstruieren, die ein ML-Modell nutzen kann.
Warum ist es wichtig?
"Applied machine learning is basically feature engineering." — Andrew Ng
Die Qualität der Features bestimmt oft mehr über den Erfolg eines Modells als der gewählte Algorithmus.
Techniken
- Normalisierung: Werte auf einheitliche Skala bringen
- One-Hot-Encoding: Kategorische Daten in Zahlen umwandeln
- Aggregation: Durchschnitt, Min, Max über Zeiträume
- Interaktionen: Kombinationen von Features erstellen
- Text-Features: TF-IDF, Wortanzahl, Sentiment
Deep Learning vs. Feature Engineering
Deep-Learning-Modelle lernen Features automatisch aus den Rohdaten. Bei klassischem ML (Random Forest, SVM) ist manuelles Feature Engineering entscheidend.
Verwandte Begriffe
Inhouse statt Nachschlagewerk
Für den Transfer ins Unternehmen sind die Inhouse-Schulungen der passende nächste Schritt.