Rekayasa dan Seleksi Fitur
Temukan teknik untuk meningkatkan kemampuan prediktif model Anda
Rekayasa dan Seleksi Fitur adalah pelajaran Python For Kids gratis di CoddyKit. Ini adalah pelajaran 4 dari 6. 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 Python For Kids, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Python For Kids mencakup 6 pelajaran total.
Rekayasa dan Seleksi Fitur
Rekayasa dan seleksi fitur merupakan langkah penting dalam membangun model pembelajaran mesin yang efektif. Proses ini mencakup pembuatan fitur baru dan pemilihan fitur yang paling relevan untuk meningkatkan kinerja model.
Dalam pelajaran ini, Anda akan mempelajari teknik rekayasa dan seleksi fitur untuk meningkatkan ketepatan prediksi.
Apa itu Rekayasa Fitur?
Rekayasa fitur mencakup pembuatan fitur baru dari data mentah agar model pembelajaran mesin menjadi lebih efektif. Contohnya meliputi:
- Mengekstrak fitur berbasis waktu seperti hari, bulan, atau jam dari penanda waktu.
- Menggabungkan beberapa fitur menjadi fitur baru.
- Menskalakan fitur numerik untuk menstandarkan rentangnya.
Membuat Fitur Baru
Mari buat fitur baru berdasarkan data yang sudah ada:
# 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)Menskalakan Fitur
Penskalaan memastikan semua fitur numerik berada pada skala yang sama, sehingga meningkatkan kinerja model:
# Example: Scaling features
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
values = [[10], [20], [30]]
scaled_values = scaler.fit_transform(values)
print(scaled_values)Pemilihan Fitur
Pemilihan fitur mencakup proses memilih fitur yang paling relevan untuk model. Teknik umum meliputi:
- Metode Penyaringan: Memilih fitur berdasarkan ukuran statistik seperti korelasi.
- Metode Pembungkus: Menggunakan algoritma seperti Recursive Feature Elimination (RFE).
- Metode Tersemat: Memilih fitur selama pelatihan model, misalnya regresi Lasso.
Seleksi Fitur Berdasarkan Korelasi
Fitur yang sangat berkorelasi dapat bersifat redundan. Gunakan Pandas untuk menghitung korelasi:
# 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())Eliminasi Fitur Rekursif (RFE)
RFE adalah metode pembungkus yang secara berulang menghapus fitur yang paling tidak penting:
# 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_)Pentingnya Fitur dengan Model Berbasis Pohon
Model berbasis pohon seperti Random Forest menyediakan skor pentingnya fitur:
# 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_)Kesalahan Umum dalam Rekayasa Fitur
Berikut adalah beberapa kesalahan yang perlu dihindari:
- Membuat terlalu banyak fitur, yang dapat menyebabkan overfitting.
- Mengabaikan kebutuhan penskalaan dalam algoritma berbasis jarak.
- Menggunakan fitur yang sangat berkorelasi sehingga menimbulkan redundansi.
Apa yang Telah Kita Pelajari?
Dalam pelajaran ini, Anda telah mempelajari:
- Pentingnya rekayasa dan seleksi fitur dalam pembelajaran mesin.
- Teknik untuk membuat fitur baru dan menskalakan fitur numerik.
- Cara memilih fitur yang relevan menggunakan metode seperti RFE dan model berbasis pohon.
- Kesalahan umum yang perlu dihindari selama rekayasa fitur.
Kerja bagus! Mari lanjut ke topik berikutnya.
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Rekayasa dan Seleksi Fitur” gratis?
Ya — teks lengkap “Rekayasa dan Seleksi Fitur” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Python For Kids, upgrade ke CoddyKit PRO. Kursus Python For Kids mencakup 6 pelajaran total.
Apa yang akan aku pelajari di “Rekayasa dan Seleksi Fitur”?
Temukan teknik untuk meningkatkan kemampuan prediktif model Anda Kamu berlatih Python For Kids 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 Python For Kids?
Tidak diperlukan pengalaman sebelumnya. Python For Kids 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 4 dari 6.
Berapa lama pelajaran “Rekayasa dan Seleksi Fitur” 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 Python For Kids ini?
Ya. Setiap pelajaran Python For Kids 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
- Pengenalan Pembelajaran Mesin
- Pembelajaran Terawasi dengan Scikit-Learn
- Pembelajaran Tak Terawasi
- Rekayasa dan Seleksi Fitur
- Pengenalan Jaringan Saraf
- Pengenalan TensorFlow dan Keras