Özellik mühendisliği (feature engineering) nedir?

Özellik mühendisliği nedir?

Özellik mühendisliği (feature engineering), ham veriden makine öğrenmesi modelinin kullanacağı girdi değişkenlerini, yani özellikleri üretme, seçme ve dönüştürme sürecidir. Özellik, modelin tahmin için baktığı ölçülebilir bir niteliktir: müşterinin son sipariş tarihi, bir makinenin son saatteki ortalama titreşimi gibi.

Aynı veri farklı özelliklerle temsil edilebilir ve modelin başarısı çoğu zaman algoritmanın seçiminden çok bu temsilin kalitesine bağlıdır.

Temel teknikler

• Dönüştürme: değerleri ölçeklemek, logaritma almak, uç değerleri sınırlandırmak.
• Kategorik değişkenleri kodlama: şehir ya da ürün kategorisi gibi metinleri modelin okuyacağı sayısal biçime çevirmek.
• Eksik veriyi işleme: boş değerleri doldurmak ya da boşluğun kendisini özellik yapmak.
• Türetme: iki değişkenin oranı, farkı ya da çarpımı gibi yeni değişkenler üretmek.
• Tarih ve saatten gün, hafta sonu, mevsim gibi bileşenler çıkarmak.
• Birleştirme: bir müşterinin son dönemdeki işlem sayısı gibi toplulaştırılmış değerler hesaplamak.
• Özellik seçimi: işe yaramayan ya da gürültü getiren değişkenleri çıkarmak.

Küçük bir örnek

Örneğin bir model, müşterinin aboneliği iptal edip etmeyeceğini tahmin edecek. Ham veride yalnızca her kullanım olayı ve tarihi var. Model bu satırları doğrudan kullanamaz. Mühendis, her müşteri için son dönemdeki kullanım sıklığı, bir önceki döneme göre değişim oranı ve en son kullanımdan bu yana geçen süre gibi özellikler üretir.

Bu yeni değişkenler müşteri davranışındaki düşüşü açıkça gösterdiği için model ham satırlara göre çok daha iyi öğrenebilir.

Zaman serilerinde ve endüstride kullanımı

Sensör verisinde özellik mühendisliği, pencere içindeki ortalama, en yüksek değer, değişkenlik ve eğilim gibi istatistikleri hesaplamayı içerir. Predictive maintenance (öngörücü bakım) ve kalite kontrol uygulamalarında bu özellikler arıza ya da hata öncesi işaretleri yakalamak için kullanılır.

Özelliklerin üretilmesinde alan bilgisi belirleyicidir: bir bakım mühendisi hangi titreşim örüntüsünün arızaya işaret ettiğini bildiği için doğru özelliği önerebilir.

Yaygın hatalar: veri sızıntısı ve tutarsızlık

En tehlikeli hata veri sızıntısıdır: tahmin anında henüz bilinmeyecek bir bilginin özellik olarak kullanılması. Model doğrulamada olduğundan çok daha başarılı görünür, canlıda ise beklenen sonucu vermez.

İkinci sık sorun eğitim ve üretim arasındaki tutarsızlıktır. Özellik eğitimde bir kodla, canlıda başka bir kodla hesaplanırsa model beklenmedik sonuç verir. Bunu önlemek için özelliklerin tek bir yerde tanımlanıp her iki ortamda paylaşıldığı özellik deposu (feature store) kullanılır.

Yapay zeka destekli özellik üretimi ve eğitimler

AutoML araçları ve büyük dil modelleri özellik üretimini hızlandırabilir, ancak ürettikleri özelliklerin anlamlılığını ve sızıntı riskini insanın doğrulaması gerekir. Mindset'in Özellik Mühendisliği (Feature Engineering) eğitimi sayısal özellik dönüşümleri, kategorik kodlama teknikleri, zaman serisi özellikleri, metin ve gömme özellikleri ile özellik seçimi ve otomasyon modüllerini içerir. Yapay Zeka Destekli Modelleme eğitimi büyük dil modeliyle özellik mühendisliğini hızlandırma modülünü, MLOps Mühendisliği Sertifika Programı özellik mühendisliği ve feature store konusunu, Predictive Maintenance ile Yapay Zeka ise zaman serisi verisi ve özellik mühendisliğini ele alır.