Python For Kids · Lektion

Feature Engineering und -Auswahl

Entdecken Sie Techniken, mit denen Sie die Vorhersagekraft Ihrer Modelle steigern.

Feature Engineering und -Auswahl ist eine kostenlose Python For Kids-Lektion auf CoddyKit. Dies ist Lektion 4 von 6. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Python For Kids-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Python For Kids-Kurs umfasst insgesamt 6 Lektionen.

Feature Engineering und -Auswahl

Feature Engineering und die Auswahl von Merkmalen sind entscheidende Schritte beim Erstellen leistungsfähiger Modelle für maschinelles Lernen. Dabei werden neue Merkmale erstellt und die relevantesten ausgewählt, um die Modellleistung zu verbessern.

In dieser Lektion lernen Sie Techniken für Feature Engineering und die Merkmalsauswahl kennen, mit denen Sie die Vorhersagegenauigkeit verbessern.

Feature Engineering und -Auswahl — Illustration 1

Was ist Feature Engineering?

Beim Feature Engineering werden aus Rohdaten neue Merkmale erstellt, damit Modelle des maschinellen Lernens effektiver arbeiten. Beispiele sind:

Ze itbasierte Merkmale wie Tag, Monat oder Stunde aus Zeitstempeln extrahieren.
Mehrere Merkmale zu einem neuen Merkmal kombinieren.
Numerische Merkmale skalieren, um ihren Wertebereich zu standardisieren.

Neue Merkmale erstellen

Erstellen wir neue Merkmale auf Grundlage vorhandener Daten:

# Example: Creating new features
import pandas as pd

data = {'Timestamp': ['2025-01-01 12:00:00', '2025-01-02 15:30:00']}
df = pd.DataFrame(data)
df['Hour'] = pd.to_datetime(df['Timestamp']).dt.hour
df['Day'] = pd.to_datetime(df['Timestamp']).dt.day
print(df)

Merkmale skalieren

Durch die Skalierung liegen alle numerischen Merkmale auf derselben Skala, wodurch sich die Modellleistung verbessert:

# Example: Scaling features
from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler()
values = [[10], [20], [30]]
scaled_values = scaler.fit_transform(values)
print(scaled_values)

Feature-Auswahl

Bei der Feature-Auswahl werden die relevantesten Features für das Modell ausgewählt. Zu den gängigen Verfahren gehören:

Filtermethoden: Features anhand statistischer Maßzahlen wie der Korrelation auswählen.
Wrapper-Methoden: Algorithmen wie Recursive Feature Elimination (RFE) verwenden.
Eingebettete Methoden: Features während des Modelltrainings auswählen, z. B. bei der Lasso-Regression.

Korrelationsbasierte Merkmalsauswahl

Stark korrelierte Merkmale können redundant sein. Verwenden Sie Pandas, um Korrelationen zu berechnen:

# Example: Correlation-based feature selection
import pandas as pd

data = {'Feature1': [1, 2, 3], 'Feature2': [2, 4, 6], 'Feature3': [1, 1, 1]}
df = pd.DataFrame(data)
print(df.corr())

Rekursives Ausschließen von Features (RFE)

RFE ist eine Wrapper-Methode, bei der iterativ die am wenigsten wichtigen Features entfernt werden:

# Example: RFE
from sklearn.feature_selection import RFE
from sklearn.linear_model import LogisticRegression

X = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
y = [0, 1, 0]
model = LogisticRegression()
rfe = RFE(model, n_features_to_select=2)
rfe.fit(X, y)
print("Selected Features:", rfe.support_)

Feature-Wichtigkeit bei baumbasierten Modellen

Baumbasierte Modelle wie Random Forests liefern Bewertungen der Feature-Wichtigkeit:

# Example: Feature importance
from sklearn.ensemble import RandomForestClassifier

X = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
y = [0, 1, 0]
model = RandomForestClassifier()
model.fit(X, y)
print("Feature Importances:", model.feature_importances_)

Häufige Fehler beim Feature Engineering

Hier sind einige Fehler, die Sie vermeiden sollten:

Zu viele Merkmale zu erstellen, was zu Overfitting führen kann.
Den erforderlichen Skalierungsschritt bei distanzbasierten Algorithmen zu ignorieren.
Stark korrelierte Merkmale zu verwenden, wodurch Redundanz entsteht.

Was haben Sie gelernt?

In dieser Lektion haben Sie Folgendes gelernt:

Warum Feature Engineering und die Merkmalsauswahl beim maschinellen Lernen wichtig sind.
Techniken zum Erstellen neuer Merkmale und zum Skalieren numerischer Merkmale.
Wie Sie relevante Merkmale mit Verfahren wie RFE und baumbasierten Modellen auswählen.
Welche häufigen Fehler Sie beim Feature Engineering vermeiden sollten.

Sehr gut! Fahren Sie nun mit dem nächsten Thema fort.

Feature Engineering und -Auswahl — Illustration 11

Häufig gestellte Fragen

Ist die Lektion „Feature Engineering und -Auswahl“ kostenlos?

Ja — der vollständige Text von „Feature Engineering und -Auswahl“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Python For Kids-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Python For Kids-Kurs umfasst insgesamt 6 Lektionen.

Was lerne ich in „Feature Engineering und -Auswahl“?

Entdecken Sie Techniken, mit denen Sie die Vorhersagekraft Ihrer Modelle steigern. Du übst Python For Kids mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.

Brauche ich Erfahrung, um Python For Kids zu starten?

Keine Vorkenntnisse erforderlich. Python For Kids auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 4 von 6.

Wie lange dauert die Lektion „Feature Engineering und -Auswahl“?

Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.

Kann ich in dieser Python For Kids-Lektion Code schreiben und ausführen?

Ja. Jede Python For Kids-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.

Alle Lektionen in diesem Kurs

← Zurück zu Python For Kids