Python For Kids · पाठ

Feature Engineering और Selection

अपने Models की Predictive Power बढ़ाने की तकनीकें जानें

पाठ 4, कुल 6 में से11 चरण

Feature Engineering और Selection, CoddyKit पर Python For Kids का एक निःशुल्क पाठ है। यह 6 में से 4वाँ पाठ है। आप नीचे पूरा पाठ निःशुल्क पढ़ सकते हैं—फिर अंतर्निहित कोड संपादक और 24/7 एआई ट्यूटर के साथ ब्राउज़र में इसका व्यावहारिक अभ्यास कर सकते हैं। यह Python For Kids सीखने के मार्ग का हिस्सा है और आपकी प्रगति वेब तथा CoddyKit ऐप पर सिंक होती रहती है। Python For Kids पाठ्यक्रम में कुल 6 पाठ शामिल हैं।

फ़ीचर इंजीनियरिंग और चयन

प्रभावी मशीन लर्निंग मॉडल बनाने में फ़ीचर इंजीनियरिंग और चयन महत्वपूर्ण चरण हैं। इन प्रक्रियाओं में मॉडल के प्रदर्शन को बेहतर बनाने के लिए नए फ़ीचर बनाना और सबसे प्रासंगिक फ़ीचर चुनना शामिल है।

इस पाठ में आप पूर्वानुमान की सटीकता बढ़ाने के लिए फ़ीचर इंजीनियरिंग और चयन की तकनीकें सीखेंगे।

Feature Engineering और Selection — चित्र 1

फ़ीचर इंजीनियरिंग क्या है?

फ़ीचर इंजीनियरिंग में मशीन लर्निंग मॉडल को अधिक प्रभावी बनाने के लिए मूल डेटा से नए फ़ीचर बनाना शामिल है। उदाहरण:

टाइमस्टैम्प से दिन, महीना या घंटा जैसे समय-आधारित फ़ीचर निकालना।
कई फ़ीचर को मिलाकर एक नया फ़ीचर बनाना।
संख्यात्मक फ़ीचर की सीमा को मानकीकृत करने के लिए उनकी स्केलिंग करना।

नए फ़ीचर बनाना

आइए मौजूदा डेटा के आधार पर नए फ़ीचर बनाते हैं:

# 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)

फ़ीचर की स्केलिंग

स्केलिंग यह सुनिश्चित करती है कि सभी संख्यात्मक फ़ीचर एक ही पैमाने पर हों, जिससे मॉडल का प्रदर्शन बेहतर होता है:

# Example: Scaling features
from sklearn.preprocessing import MinMaxScaler

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

विशेषता चयन

विशेषता चयन में मॉडल के लिए सबसे प्रासंगिक विशेषताओं को चुनना शामिल है। सामान्य तकनीकों में शामिल हैं:

फ़िल्टर विधियाँ: सहसंबंध जैसे सांख्यिकीय मापों के आधार पर विशेषताओं का चयन करना।
रैपर विधियाँ: रिकर्सिव फीचर एलिमिनेशन (RFE) जैसे एल्गोरिदम का उपयोग करना।
अंतर्निहित विधियाँ: मॉडल के प्रशिक्षण के दौरान विशेषताओं का चयन करना, जैसे लैसो प्रतिगमन।

सहसंबंध-आधारित फ़ीचर चयन

अत्यधिक सहसंबंधित फ़ीचर अनावश्यक हो सकते हैं। सहसंबंधों की गणना करने के लिए पैंडस का उपयोग करें:

# 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())

Recursive Feature Elimination (RFE)

RFE एक रैपर विधि है, जो सबसे कम महत्वपूर्ण फ़ीचर को क्रमिक रूप से हटाती है:

# 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_)

ट्री-आधारित मॉडल से फ़ीचर का महत्व

Random Forests जैसे ट्री-आधारित मॉडल फ़ीचर के महत्व के स्कोर प्रदान करते हैं:

# 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_)

फ़ीचर इंजीनियरिंग में सामान्य गलतियाँ

इन गलतियों से बचें:

बहुत अधिक फ़ीचर बनाना, जिससे ओवरफिटिंग हो सकती है।
दूरी-आधारित एल्गोरिदम में स्केलिंग की आवश्यकता को नज़रअंदाज़ करना।
अत्यधिक सहसंबंधित फ़ीचर का उपयोग करना, जिससे अनावश्यक दोहराव होता है।

हमने क्या सीखा?

इस पाठ में आपने सीखा:

मशीन लर्निंग में फ़ीचर इंजीनियरिंग और चयन का महत्व।
नए फ़ीचर बनाने और संख्यात्मक फ़ीचर की स्केलिंग करने की तकनीकें।
RFE और वृक्ष-आधारित मॉडल जैसी विधियों का उपयोग करके प्रासंगिक फ़ीचर चुनना।
फ़ीचर इंजीनियरिंग के दौरान बचने योग्य सामान्य गलतियाँ।

बहुत बढ़िया! अब अगले विषय पर चलते हैं।

Feature Engineering और Selection — चित्र 11

शुरुआत निःशुल्क

एआई शिक्षक के साथ Python सीखें — निःशुल्क

अपने ब्राउज़र में वास्तविक कोड लिखें और चलाएँ, चौबीसों घंटे एआई शिक्षक से तुरंत सहायता पाएँ, और वेब या ऐप पर वहीं से शुरू करें जहाँ आपने छोड़ा था।

पाठ्यक्रम: 22
पाठ: 94

निःशुल्क सीखना शुरू करें पूरा पाठ्यक्रम देखें

अक्सर पूछे जाने वाले प्रश्न

क्या “Feature Engineering और Selection” पाठ निःशुल्क है?

हाँ—“Feature Engineering और Selection” का पूरा पाठ यहाँ वेब पर निःशुल्क पढ़ा जा सकता है। इंटरैक्टिव अभ्यास (अंतर्निहित कोड संपादक और 24/7 एआई ट्यूटर) करने और Python For Kids पाठ्यक्रम का बाकी हिस्सा अनलॉक करने के लिए CoddyKit PRO लें। Python For Kids पाठ्यक्रम में कुल 6 पाठ शामिल हैं।

“Feature Engineering और Selection” में मैं क्या सीखूँगा?

अपने Models की Predictive Power बढ़ाने की तकनीकें जानें आप ब्राउज़र में सीधे चलाए जाने वाले व्यावहारिक कोड के साथ Python For Kids का अभ्यास करते हैं, और पाठ पूरा करते समय 24/7 एआई ट्यूटर आपके प्रश्नों के उत्तर देता है।

क्या Python For Kids शुरू करने के लिए मुझे किसी अनुभव की आवश्यकता है?

पहले के अनुभव की आवश्यकता नहीं है। CoddyKit पर Python For Kids शुरुआती से लेकर उन्नत शिक्षार्थियों तक सभी के लिए व्यवस्थित किया गया है, इसलिए आप यहीं से या शुरुआत से सीखना शुरू कर सकते हैं और अपनी गति से आगे बढ़ सकते हैं। यह 6 में से 4वाँ पाठ है।

“Feature Engineering और Selection” पाठ पूरा करने में कितना समय लगता है?

CoddyKit का अधिकांश पाठ लगभग 5–10 मिनट में पूरा हो जाता है। हर पाठ छोटा और संवादात्मक है, इसलिए आप लगातार प्रगति करते हैं और वेब या ऐप पर वहीं से सीखना जारी रख सकते हैं जहाँ आपने छोड़ा था।

क्या मैं इस Python For Kids पाठ में कोड लिख और चला सकता हूँ?

हाँ। हर Python For Kids पाठ में एक अंतर्निर्मित कोड संपादक शामिल है, जिससे आप सीधे अपने ब्राउज़र में वास्तविक कोड लिख और चला सकते हैं और तुरंत एआई प्रतिक्रिया पा सकते हैं—स्थानीय सेटअप की आवश्यकता नहीं है।

इस पाठ्यक्रम के सभी पाठ

← Python For Kids पर वापस जाएँ