Ingénierie et sélection des caractéristiques
Découvrez des techniques pour améliorer le pouvoir prédictif de vos modèles
Ingénierie et sélection des caractéristiques est une leçon Python For Kids gratuite sur CoddyKit. Ceci est la leçon 4 sur 6. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Python For Kids, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Python For Kids comprend 6 leçons au total.
Ingénierie et sélection des caractéristiques
L'ingénierie et la sélection des caractéristiques sont des étapes essentielles pour créer des modèles d'apprentissage automatique efficaces. Ces processus consistent à créer de nouvelles caractéristiques et à sélectionner les plus pertinentes afin d'améliorer les performances du modèle.
Dans cette leçon, vous apprendrez des techniques d'ingénierie et de sélection des caractéristiques pour améliorer la précision des prédictions.
Qu'est-ce que l'ingénierie des caractéristiques ?
L'ingénierie des caractéristiques consiste à créer de nouvelles caractéristiques à partir de données brutes afin de rendre les modèles d'apprentissage automatique plus efficaces. Exemples :
- Extraire des caractéristiques temporelles telles que le jour, le mois ou l'heure à partir d'horodatages.
- Combiner plusieurs caractéristiques pour en créer une nouvelle.
- Mettre les caractéristiques numériques à l'échelle afin d'en standardiser l'intervalle.
Créer de nouvelles caractéristiques
Créons de nouvelles caractéristiques à partir des données existantes :
# 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)Mettre les caractéristiques à l'échelle
La mise à l'échelle garantit que toutes les caractéristiques numériques utilisent la même échelle, ce qui améliore les performances du modèle :
# Example: Scaling features
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
values = [[10], [20], [30]]
scaled_values = scaler.fit_transform(values)
print(scaled_values)Sélection des caractéristiques
La sélection des caractéristiques consiste à choisir les caractéristiques les plus pertinentes pour le modèle. Les techniques courantes comprennent :
- Méthodes de filtrage : Sélectionner les caractéristiques en fonction de mesures statistiques telles que la corrélation.
- Méthodes par enveloppe : Utiliser des algorithmes comme l’élimination récursive des caractéristiques (RFE).
- Méthodes intégrées : Sélectionner les caractéristiques pendant l’entraînement du modèle, par exemple avec la régression Lasso.
Sélection des caractéristiques fondée sur les corrélations
Les caractéristiques fortement corrélées peuvent être redondantes. Utilisez Pandas pour calculer les corrélations :
# 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())Élimination récursive des caractéristiques (RFE)
RFE est une méthode d’enrobage qui supprime progressivement les caractéristiques les moins importantes :
# 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_)Importance des caractéristiques avec les modèles à arbres
Les modèles fondés sur des arbres, comme les forêts aléatoires, fournissent des scores d’importance des caractéristiques :
# 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_)Erreurs courantes en ingénierie des caractéristiques
Voici quelques erreurs à éviter :
- Créer trop de caractéristiques, ce qui peut entraîner un surapprentissage.
- Ignorer la nécessité d'une mise à l'échelle dans les algorithmes fondés sur les distances.
- Utiliser des caractéristiques fortement corrélées, ce qui entraîne une redondance.
Qu'avons-nous appris ?
Dans cette leçon, vous avez appris :
- Pourquoi l'ingénierie et la sélection des caractéristiques sont importantes en apprentissage automatique.
- Des techniques pour créer de nouvelles caractéristiques et mettre les caractéristiques numériques à l'échelle.
- À sélectionner les caractéristiques pertinentes à l'aide de méthodes telles que RFE et de modèles fondés sur des arbres.
- Quelles erreurs courantes éviter lors de l'ingénierie des caractéristiques.
Excellent travail ! Passons au sujet suivant.
Questions Fréquemment Posées
La leçon « Ingénierie et sélection des caractéristiques » est-elle gratuite ?
Oui — le texte complet de « Ingénierie et sélection des caractéristiques » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Python For Kids, passe à CoddyKit PRO. Le cours Python For Kids comprend 6 leçons au total.
Qu'est-ce que j'apprendrai dans « Ingénierie et sélection des caractéristiques » ?
Découvrez des techniques pour améliorer le pouvoir prédictif de vos modèles Tu pratiques Python For Kids avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Python For Kids ?
Aucune expérience préalable n'est requise. Python For Kids sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 4 sur 6.
Combien de temps prend la leçon « Ingénierie et sélection des caractéristiques » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Python For Kids ?
Oui. Chaque leçon Python For Kids inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Introduction à l’apprentissage automatique
- Apprentissage supervisé avec Scikit-Learn
- Apprentissage non supervisé
- Ingénierie et sélection des caractéristiques
- Introduction aux réseaux neuronaux
- Introduction à TensorFlow et Keras