Feature Engineering - फ़ीचर इंजीनियरिंग का क्या अर्थ है?

फ़ीचर इंजीनियरिंग एक तालिका के रूप में संग्रहीत डेटासेट में विशेषता-मूल्य जोड़े निर्दिष्ट करने की प्रक्रिया है। गुण-मूल्य जोड़े को विशेषता या वर्णनात्मक गुण के रूप में भी संदर्भित किया जा सकता है।

मशीन लर्निंग में, फीचर इंजीनियरिंग पर्यवेक्षित शिक्षण एल्गोरिदम में उपयोग के लिए डेटा को प्री-प्रोसेस करने में महत्वपूर्ण भूमिका निभाती है। पर्यवेक्षित शिक्षण एल्गोरिदम को डेटा को एक ही तालिका में संग्रहीत करने की आवश्यकता होती है, जिसमें ऐसे कॉलम होते हैं जो विशेषता-मूल्य जोड़े और पंक्तियों को सूचीबद्ध करते हैं जो प्रशिक्षण उदाहरण प्रदान करते हैं।

फीचर इंजीनियरिंग का एक महत्वपूर्ण लक्ष्य पर्यवेक्षित शिक्षण आउटपुट की सटीकता को अनुकूलित करना है। एक सुविधा को इनपुट के रूप में सोचा जा सकता है जिसका उपयोग मशीन लर्निंग मॉडल सटीक भविष्यवाणियां करने के लिए करता है। उदाहरण के लिए, यदि कोई वेबसाइट किताबें बेचती है, तो "विषय," "शब्द गणना," "पढ़ने का स्तर" और "पढ़ने का समय" सुविधाओं का उपयोग मशीन लर्निंग अनुशंसा इंजन द्वारा यह अनुमान लगाने के लिए किया जा सकता है कि आगंतुक की किस सामग्री में रुचि हो सकती है आगे पढ़िए.

फ़ीचर इंजीनियरिंग यह पहचानने का प्रयास करती है कि मशीन लर्निंग मॉडल को प्रशिक्षित और अनुकूलित करने के लिए किन चर का उपयोग किया जाना चाहिए। यह पहचानने और निकालने की प्रक्रिया कि कौन सी पूर्वानुमानित विशेषताएं सबसे सटीक परिणाम उत्पन्न करेंगी, फीचर इंजीनियरिंग को इतना समय लेने वाली बना देती है।

फ़ीचर इंजीनियरिंग चुनौतियाँ

फ़ीचर इंजीनियरिंग मशीन लर्निंग के सबसे महत्वपूर्ण हिस्सों में से एक है, लेकिन इस प्रक्रिया में इतनी अधिक मानवीय भागीदारी की आवश्यकता होती है कि इसे अक्सर एक कला के रूप में जाना जाता है।

इसके लिए डेटा साइंटिस्ट या मशीन लर्निंग इंजीनियर के पास मजबूत डोमेन ज्ञान होना आवश्यक है। इसका मतलब यह है कि उन्हें इस बात की गहरी समझ की आवश्यकता है कि प्रत्येक मॉडल किस व्यावसायिक समस्या को संबोधित करने के लिए बनाया जा रहा है - और डेटा तैयार करने के लिए तकनीकी विशेषज्ञता की आवश्यकता है ताकि इसका उपयोग प्रशिक्षण के लिए किया जा सके।

फ़ीचर इंजीनियरिंग के लिए एमएल इंजीनियरों और डेटा वैज्ञानिकों के पास अच्छे सॉफ्ट कौशल की भी आवश्यकता होती है। किस वेरिएबल का उपयोग करना है यह निर्धारित करते समय उन्हें अक्सर अन्य डोमेन विशेषज्ञों के साथ काम करने की आवश्यकता होती है। डेटा पूर्व-तैयारी प्रक्रिया में समय लग सकता है, लेकिन यह एक सटीक मशीन लर्निंग मॉडल और खराब भविष्यवाणियां करने वाले मॉडल के बीच अंतर पैदा करता है।

स्वचालित सुविधा इंजीनियरिंग

फ़ीचर इंजीनियरिंग चुनौतीपूर्ण है क्योंकि यह डेटा में अंतर्निहित संबंधों की खोज करने के लिए इंजीनियर के धैर्य और कल्पना पर निर्भर करती है।

स्वचालित फ़ीचर इंजीनियरिंग सॉफ़्टवेयर उपकरण बड़े डेटा सेटों का विश्लेषण करके और प्रोग्रामेटिक रूप से सुविधाओं का सुझाव देकर चीज़ों को गति दे सकते हैं। यह दृष्टिकोण एमएल इंजीनियरों को मैन्युअल रूप से डेटा संबंधों पर शोध और विश्लेषण करने में लगने वाले समय को काफी कम कर सकता है।

मशीन लर्निंग मॉडल के जीवनचक्र को अधिक कुशलता से प्रबंधित करने के लिए स्वचालन का भी उपयोग किया जा सकता है। उदाहरण के लिए, फीचर निष्कर्षण टूल का उपयोग कई कम महत्वपूर्ण सुविधाओं को एक नई, अधिक उपयोगी सुविधा में संयोजित करने के लिए किया जा सकता है। स्वचालित सुविधा चयन उपकरण प्रत्येक सुविधा को प्रोग्रामेटिक रूप से एक स्कोर निर्दिष्ट कर सकते हैं और सबसे कम स्कोर वाली सुविधाओं को हटा सकते हैं।

मशीन लर्निंग सॉफ्टवेयर प्रोग्राम जो फीचर इंजीनियरिंग को स्वचालित करने के लिए घटकों को शामिल करते हैं, व्यावसायिक रूप से उपलब्ध हैं। लोकप्रिय विक्रेताओं में शामिल हैं:

डेटारोबोट - प्राथमिक और द्वितीयक डेटासेट के बीच संबंधों का विश्लेषण करके सैकड़ों नई सुविधाएँ उत्पन्न कर सकता है।

dotData - स्वचालित रूप से सैकड़ों कॉलम और अरबों पंक्तियों को एक एकल फीचर तालिका में बदल सकता है।

फ़ीचर लैब्स - संरचित डेटा की कई तालिकाओं से स्वचालित रूप से नई सुविधाएँ बनाने के लिए एक ओपन-सोर्स पायथन फ्रेमवर्क प्रदान करता है।