What is Feature Engineering | Day 23 | 100 Days of Machine Learning

CampusX

8 Apr 202124:52

Summary

TLDRفي هذا الفيديو التعليمي، يتم شرح أهمية هندسة المميزات في تعلم الآلة وكيفية تحسين أداء النماذج باستخدام تقنيات مختلفة. يبدأ الفيديو بتعريف الهندسة المميزات كعملية لتحويل البيانات إلى شكل يمكن استخدامه لتحسين أداء الخوارزميات. يتم تناول الأنواع المختلفة من هندسة المميزات مثل التحويل، الاختيار، والاستخراج، مع أمثلة توضح كيفية التعامل مع القيم المفقودة، تحويل البيانات، واكتشاف القيم الشاذة. يتم التركيز أيضًا على تقنيات اختيار المميزات وتقليلها، مثل PCA، مما يعزز دقة النماذج وكفاءتها في التعامل مع البيانات الكبيرة.

Takeaways

😀 التعريف بـ Feature Engineering: هو عملية استخدام المعرفة الخاصة بالمجال لاستخراج الميزات من البيانات الخام التي يمكن استخدامها لتحسين أداء الخوارزميات في التعلم الآلي.
😀 أهمية Feature Engineering: لا يكفي فقط وجود البيانات الخام، بل يجب تحضير البيانات بشكل مناسب لكي تعطي الخوارزميات نتائج جيدة.
😀 هناك أنواع متعددة من Feature Engineering: من بينها التحويل (Transformation)، بناء الميزات (Feature Construction)، واختيار الميزات (Feature Selection).
😀 Feature Transformation: هو تحويل الميزات إلى شكل أفضل يمكن أن يساعد الخوارزميات على العمل بشكل أكثر كفاءة.
😀 التعامل مع القيم المفقودة: من الضروري معالجة القيم المفقودة في البيانات من خلال تقنيات مثل الاستبدال أو الحذف لتجنب التأثير السلبي على الخوارزميات.
😀 التعامل مع القيم الفئوية: تحويل القيم الفئوية إلى قيم عددية يمكن استخدامها من قبل الخوارزميات، مثل استخدام الترميز (Encoding).
😀 استخدام تقنيات مثل التحويل باستخدام القيم المفقودة (Imputation) لتحسين دقة النموذج.
😀 Feature Selection: هو اختيار الميزات الأكثر أهمية من بين مجموعة كبيرة من البيانات، مما يؤدي إلى تحسين دقة النموذج وتخفيض الزمن الحسابي.
😀 Feature Construction: يتم من خلاله إنشاء ميزات جديدة استنادًا إلى المعرفة السابقة، مثل دمج عدة أعمدة لخلق ميزة جديدة تساهم في تحسين النموذج.
😀 تقنيات مثل PCA (تحليل المكونات الرئيسية) وNDA يمكن استخدامها لاستخراج ميزات جديدة والتقليل من الأبعاد لتحسين الأداء.
😀 في النهاية، هدف Feature Engineering هو تحسين أداء النموذج من خلال تحسين شكل البيانات باستخدام تقنيات متعددة مثل الاختيار، التحويل، والبناء.

Q & A

ما هي هندسة الميزات في تعلم الآلة؟
-هندسة الميزات هي عملية استخدام المعرفة الميدانية لاستخراج الميزات من البيانات الخام التي يمكن استخدامها لتحسين أداء خوارزميات تعلم الآلة.
ما هي أنواع هندسة الميزات التي تم ذكرها في الفيديو؟
-تم ذكر أربعة أنواع رئيسية: تحويل الميزات، بناء الميزات، اختيار الميزات، واستخراج الميزات.
ماذا يعني تحويل الميزات؟
-تحويل الميزات يعني تعديل البيانات الخام لتصبح في شكل يناسب الخوارزميات. يتضمن ذلك تقنيات مثل التعامل مع القيم المفقودة، تحويل القيم الفئوية إلى قيم رقمية، والتعامل مع القيم الشاذة.
كيف يمكن التعامل مع القيم المفقودة في البيانات؟
-يمكن معالجة القيم المفقودة بعدة طرق، مثل إزالة السجلات التي تحتوي على قيم مفقودة أو استبدال القيم المفقودة بالقيم المتوسطة أو الوسطية باستخدام تقنيات مثل التكميل.
ما هو بناء الميزات وكيف يمكن استخدامه؟
-بناء الميزات يتضمن إنشاء ميزات جديدة بناءً على البيانات الموجودة. يتم ذلك باستخدام المعرفة الميدانية أو الحدس أو الخبرة، ويمكن أن يشمل دمج ميزات متعددة لإنشاء ميزة جديدة مفيدة.
ما هو اختيار الميزات؟
-اختيار الميزات هو عملية تحديد الميزات الأكثر أهمية واختيارها لاستخدامها في نموذج تعلم الآلة، بينما يتم التخلص من الميزات غير المهمة لتقليل التعقيد وتحسين أداء النموذج.
ما هي عملية استخراج الميزات؟
-استخراج الميزات هي عملية إنشاء ميزات جديدة من البيانات الحالية باستخدام تقنيات مثل تحليل المكونات الرئيسية (PCA) لتقليل أبعاد البيانات.
لماذا تعتبر هندسة الميزات مهمة في تعلم الآلة؟
-هندسة الميزات مهمة لأنها تساعد في تحسين أداء الخوارزميات. البيانات الخام لا تكون جاهزة مباشرة لتعلم الآلة، ويجب تعديلها لتصبح أكثر ملاءمة للاستخدام في النماذج.
ما هو PCA وكيف يستخدم في استخراج الميزات؟
-PCA هو أسلوب لتقليل أبعاد البيانات من خلال دمج الميزات الأصلية في مكونات رئيسية تساعد في تقليل حجم البيانات مع الحفاظ على أهم المعلومات.
كيف يمكن تحويل القيم الفئوية إلى قيم رقمية في البيانات؟
-يمكن تحويل القيم الفئوية إلى قيم رقمية باستخدام تقنيات مثل الترميز باستخدام الأعداد (مثل تحويل 'كلب' إلى 1 و 'قطة' إلى 0) أو الترميز الأحادي الذي ينشئ عمودًا جديدًا لكل فئة.