Oprettelse af interaktions- og polynomielle features
PolynomialFeatures, manuelle interaktionsled, ratio-features og inddeling af kontinuerte variabler i intervaller.
Oprettelse af interaktions- og polynomielle features er en gratis Lær AI med Python-lektion på CoddyKit. Dette er lektion 2 af 4. Du kan læse alle 3 lektioner i dette læringsspor gratis i deres fulde længde — derefter låser CoddyKit PRO alle lektioner op samt praktiske øvelser med en indbygget kodeeditor og en AI-underviser døgnet rundt. Den er en del af læringsforløbet i Lær AI med Python, og dine fremskridt synkroniseres på tværs af nettet og CoddyKit-appen. Lær AI med Python-kurset indeholder 4 lektioner i alt.
Hvorfor konstruere nye egenskaber
Lineære modeller fanger kun sammenhænge på rette linjer. Ved at oprette interaktions- og polynomielle egenskaber kan du få simple modeller til at udtrykke kurver og kombinerede effekter mellem variabler.
Hvad er interaktionsegenskaber
En interaktion multiplicerer to egenskaber, f.eks. area = length * width. Den fanger effekter, der afhænger af begge inputvariabler samtidig, og som ingen af dem kan forklare alene.
Grundlæggende om PolynomialFeatures
PolynomialFeatures genererer automatisk potenser og produkter af egenskaber op til en valgt degree. Grad 2 tilføjer kvadrater og parvise produkter.
from sklearn.preprocessing import PolynomialFeatures
import numpy as np
X = np.array([[2, 3]])
poly = PolynomialFeatures(degree=2)
print(poly.fit_transform(X))
# 1, x1, x2, x1^2, x1*x2, x2^2Tilstanden interaction_only
Indstillingen interaction_only=True beholder krydsprodukter, men fjerner rene potenser som x1^2. Det er nyttigt, når du kun ønsker kombinerede effekter og ikke krumning.
from sklearn.preprocessing import PolynomialFeatures
poly = PolynomialFeatures(degree=2, interaction_only=True, include_bias=False)
X_int = poly.fit_transform(X)Pas på egenskabseksplosionen
Høje grader skaber mange egenskaber og øger risikoen for overtilpasning. Med 10 inputvariabler giver grad 3 hundredvis af kolonner. Hold graden lav (2 eller 3), og kombiner med udvælgelse af egenskaber eller regularisering.
Manuelle forholdsegenskaber
Domæneviden slår ofte rå styrke. Håndlavede forhold som pris pr. kvadratmeter eller klik pr. visning indkoder betydning, som en polynomiel udvidelse ikke ville finde.
import pandas as pd
df["price_per_sqm"] = df["price"] / df["area"]
df["ctr"] = df["clicks"] / df["impressions"]Inddeling med pd.cut
Inddeling i intervaller omdanner en kontinuert variabel til kategorier. pd.cut opdeler en kolonne i intervaller, hvilket er nyttigt til at fange ikke-lineære effekter eller gruppere aldre, indkomster osv.
import pandas as pd
df["age_group"] = pd.cut(
df["age"],
bins=[0, 18, 35, 60, 120],
labels=["minor", "young", "adult", "senior"],
)Inddeling med lige mange observationer
pd.qcut opretter intervaller med omtrent lige mange observationer (kvantiler), hvilket er nyttigt, når fordelingen er skæv, og du ønsker afbalancerede grupper.
import pandas as pd
df["income_quartile"] = pd.qcut(df["income"], q=4, labels=False)Håndtering af skævhed med logaritmisk transformation
Højreskæve egenskaber (indkomst, priser, antal) påvirker mange modeller negativt. En logaritmisk transformation komprimerer store værdier og gør fordelingen mere symmetrisk.
import numpy as np
# log1p handles zeros safely: log(1 + x)
df["log_income"] = np.log1p(df["income"])Kvadratrod og andre transformationer
Kvadratrodstransformationen reducerer også skævhed, men mere skånsomt end logaritmen, hvilket er velegnet til tælledata. Vælg den transformation, der gør histogrammet mest symmetrisk.
import numpy as np
df["sqrt_count"] = np.sqrt(df["count"])
# inspect df["sqrt_count"].hist() to confirm reduced skewSæt det hele sammen
Kombiner metoderne: logtransformér skæve kolonner, indel i intervaller, hvor grænseværdier er vigtige, tilføj domænebaserede forhold, og brug PolynomialFeatures til interaktioner. Kontrollér altid, at de nye egenskaber faktisk forbedrer resultaterne ved krydsvalidering.
Hurtig kontrol
Afprøv din viden om konstruktion af egenskaber.
Opsummering
Opsummering: Konstruér egenskaber for at hjælpe simple modeller. PolynomialFeatures med degree og interaction_only tilføjer produkter og potenser (pas på eksplosionen). Opbyg manuelle forhold ud fra domæneviden, indel i intervaller med pd.cut/pd.qcut, og korrigér skævhed med logaritmiske eller sqrt-transformationer. Kontrollér altid forbedringerne.
Lær Python med en AI-underviser — gratis
Skriv og kør rigtig kode i din browser, få øjeblikkelig hjælp fra en AI-underviser døgnet rundt, og fortsæt, hvor du slap, på web eller i appen.
- Kurser
- 53
- Lektioner
- 225
Ofte stillede spørgsmål
Er lektionen “Oprettelse af interaktions- og polynomielle features” gratis?
Ja — alle 3 lektioner i læringssporet Lær AI med Python, inklusive “Oprettelse af interaktions- og polynomielle features”, kan læses gratis i deres fulde længde her på webstedet. Derefter låser CoddyKit PRO alle lektioner op samt interaktive øvelser med en indbygget kodeeditor og en AI-underviser døgnet rundt. Lær AI med Python-kurset indeholder 4 lektioner i alt.
Hvad lærer jeg i “Oprettelse af interaktions- og polynomielle features”?
PolynomialFeatures, manuelle interaktionsled, ratio-features og inddeling af kontinuerte variabler i intervaller. Du øver dig i Lær AI med Python med praktisk kode, som du kører direkte i browseren, og en AI-vejleder døgnet rundt besvarer dine spørgsmål, mens du arbejder dig gennem lektionen.
Skal jeg have erfaring for at begynde på Lær AI med Python?
Der kræves ingen tidligere erfaring. Lær AI med Python på CoddyKit er tilrettelagt for både begyndere og øvede, så du kan starte her eller fra begyndelsen og lære i dit eget tempo. Dette er lektion 2 af 4.
Hvor lang tid tager lektionen “Oprettelse af interaktions- og polynomielle features”?
De fleste CoddyKit-lektioner tager cirka 5–10 minutter. Hver lektion er kort og interaktiv, så du gør løbende fremskridt og kan fortsætte, hvor du slap – på både web og app.
Kan jeg skrive og køre kode i denne Lær AI med Python-lektion?
Ja. Alle Lær AI med Python-lektioner har en indbygget kodeeditor, så du kan skrive og køre rigtig kode direkte i din browser og få øjeblikkelig feedback fra AI – uden lokal opsætning.
Alle lektioner i dette kursus
- Metoder til featureudvælgelse
- Oprettelse af interaktions- og polynomielle features
- Target encoding og avanceret håndtering af kategoriske data
- Automatiseret feature engineering med Featuretools