Membuat Fitur Interaksi dan Polinomial
PolynomialFeatures, istilah interaksi manual, fitur rasio, dan pengelompokan variabel kontinu.
Membuat Fitur Interaksi dan Polinomial adalah pelajaran Learn AI with Python gratis di CoddyKit. Ini adalah pelajaran 2 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Learn AI with Python, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Learn AI with Python mencakup 4 pelajaran total.
Mengapa Merekayasa Fitur Baru
Model linier hanya menangkap hubungan garis lurus. Dengan membuat fitur interaksi dan polinomial, Anda memungkinkan model sederhana mengekspresikan kurva dan efek gabungan antarvariabel.
Apa Itu Fitur Interaksi
Interaksi mengalikan dua fitur, misalnya area = length * width. Interaksi ini menangkap efek yang bergantung pada kedua masukan secara bersamaan, yang tidak dapat dijelaskan oleh salah satunya saja.
Dasar-Dasar PolynomialFeatures
PolynomialFeatures secara otomatis menghasilkan pangkat dan hasil kali fitur hingga degree yang dipilih. Derajat 2 menambahkan kuadrat dan hasil kali berpasangan.
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, x2^2Mode Hanya Interaksi
Pengaturan interaction_only=True mempertahankan hasil kali silang, tetapi menghapus pangkat murni seperti x1^2. Ini berguna ketika Anda hanya menginginkan efek gabungan, bukan kelengkungan.
from sklearn.preprocessing import PolynomialFeatures
poly = PolynomialFeatures(degree=2, interaction_only=True, include_bias=False)
X_int = poly.fit_transform(X)Waspadai Ledakan Fitur
Derajat tinggi menghasilkan banyak fitur dan meningkatkan risiko pemodelan berlebihan. Dengan 10 masukan, derajat 3 menghasilkan ratusan kolom. Pertahankan derajat tetap rendah (2 atau 3), lalu gabungkan dengan pemilihan fitur atau regularisasi.
Fitur Rasio Manual
Pengetahuan domain sering kali lebih unggul daripada pendekatan coba semua kemungkinan. Rasio yang dibuat secara manual, seperti harga per meter persegi atau klik per tayangan, menyandikan makna yang tidak akan ditemukan oleh perluasan polinomial.
import pandas as pd
df["price_per_sqm"] = df["price"] / df["area"]
df["ctr"] = df["clicks"] / df["impressions"]Pengelompokan dengan pd.cut
Pengelompokan mengubah variabel kontinu menjadi kategori. pd.cut membagi kolom menjadi interval, yang berguna untuk menangkap efek nonlinier atau mengelompokkan usia, pendapatan, dan sebagainya.
import pandas as pd
df["age_group"] = pd.cut(
df["age"],
bins=[0, 18, 35, 60, 120],
labels=["minor", "young", "adult", "senior"],
)Pengelompokan Berfrekuensi Sama
pd.qcut membuat kelompok dengan jumlah yang kira-kira sama (kuantil), berguna ketika distribusi miring dan Anda menginginkan kelompok yang seimbang.
import pandas as pd
df["income_quartile"] = pd.qcut(df["income"], q=4, labels=False)Menangani Kemencengan dengan Transformasi Logaritma
Fitur yang condong ke kanan (pendapatan, harga, jumlah) mengganggu banyak model. Transformasi logaritma memampatkan nilai besar dan membuat distribusi lebih simetris.
import numpy as np
# log1p handles zeros safely: log(1 + x)
df["log_income"] = np.log1p(df["income"])Akar Kuadrat dan Transformasi Lain
Transformasi akar kuadrat juga mengurangi kemencengan, tetapi lebih lembut daripada logaritma, sehingga cocok untuk data jumlah. Pilih transformasi yang paling menyimetriskan histogram.
import numpy as np
df["sqrt_count"] = np.sqrt(df["count"])
# inspect df["sqrt_count"].hist() to confirm reduced skewMenggabungkan Semuanya
Gabungkan berbagai pendekatan: terapkan transformasi logaritma pada kolom yang miring, lakukan pengelompokan jika ambang batas penting, tambahkan rasio berdasarkan domain, dan gunakan PolynomialFeatures untuk interaksi. Selalu validasikan bahwa fitur baru benar-benar meningkatkan skor yang divalidasi silang.
Pemeriksaan Singkat
Uji pengetahuan Anda tentang rekayasa fitur.
Ringkasan
Ringkasan: Rekayasa fitur membantu model sederhana. PolynomialFeatures dengan degree dan interaction_only menambahkan hasil kali dan pangkat (waspadai ledakannya). Buat rasio manual berdasarkan pengetahuan domain, lakukan pengelompokan dengan pd.cut/pd.qcut, dan perbaiki kemencengan dengan transformasi logaritma atau sqrt. Selalu validasikan peningkatannya.
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Membuat Fitur Interaksi dan Polinomial” gratis?
Ya — teks lengkap “Membuat Fitur Interaksi dan Polinomial” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Learn AI with Python, upgrade ke CoddyKit PRO. Kursus Learn AI with Python mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Membuat Fitur Interaksi dan Polinomial”?
PolynomialFeatures, istilah interaksi manual, fitur rasio, dan pengelompokan variabel kontinu. Kamu berlatih Learn AI with Python dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai Learn AI with Python?
Tidak diperlukan pengalaman sebelumnya. Learn AI with Python di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 2 dari 4.
Berapa lama pelajaran “Membuat Fitur Interaksi dan Polinomial” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran Learn AI with Python ini?
Ya. Setiap pelajaran Learn AI with Python menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Metode Seleksi Fitur
- Membuat Fitur Interaksi dan Polinomial
- Pengodean Target dan Penanganan Kategorikal Lanjutan
- Rekayasa Fitur Otomatis dengan Featuretools