Pelajari AI dengan Python · Pelajaran

Kejuruteraan Ciri Automatik dengan Featuretools

EntitySet, DFS (Deep Feature Synthesis), primitif ciri, pengagregatan bertindan.

Pelajaran 4 daripada 413 langkah

Kejuruteraan Ciri Automatik dengan Featuretools ialah pelajaran Pelajari AI dengan Python percuma di CoddyKit. Ini ialah pelajaran 4 daripada 4. Sebanyak 3 pelajaran dalam laluan pembelajaran ini boleh dibaca sepenuhnya secara percuma — selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan praktikal dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Pelajari AI dengan Python, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Pelajari AI dengan Python merangkumi sejumlah 4 pelajaran.

Mengautomatikkan Penciptaan Ciri

Kejuruteraan ciri secara manual mengambil masa dan mudah terlepas gabungan tertentu. Alat pembinaan ciri membina banyak ciri calon secara automatik daripada data hubungan menggunakan kaedah yang dipanggil Sintesis Ciri Mendalam.

Data Hubungan dan Entiti

Data sebenar sering merangkumi beberapa jadual yang saling berkaitan: pelanggan, pesanan dan produk. Alat pembinaan ciri memodelkan hubungan ini serta menjana ciri yang mengagregatkan data merentasi pautan tersebut secara automatik.

Mencipta EntitySet

EntitySet ialah bekas yang menyimpan bingkai data anda serta hubungan antara bingkai tersebut. Mulakan dengan mencipta EntitySet yang kosong.

import featuretools as ft

es = ft.EntitySet(id="customers_data")

Menambah Bingkai Data

es.add_dataframe mendaftarkan sebuah jadual. Anda menentukan index (kunci uniknya) dan, secara pilihan, time_index untuk data berasaskan masa.

import featuretools as ft

es = es.add_dataframe(
    dataframe_name="customers",
    dataframe=customers_df,
    index="customer_id",
)
es = es.add_dataframe(
    dataframe_name="orders",
    dataframe=orders_df,
    index="order_id",
    time_index="order_date",
)

Mentakrifkan Hubungan

Beritahu alat pembinaan ciri cara jadual saling berhubung dengan add_relationship: kunci induk memaut kepada kunci asing anak (seorang pelanggan mempunyai banyak pesanan).

es = es.add_relationship(
    "customers", "customer_id",
    "orders", "customer_id",
)

Sintesis Ciri Mendalam

DFS (ft.dfs) ialah enjinnya. DFS menyusun operasi merentasi hubungan untuk mencipta ciri seperti "purata nilai pesanan bagi setiap pelanggan" tanpa anda perlu menulis kod untuk setiap ciri.

import featuretools as ft

feature_matrix, feature_defs = ft.dfs(
    entityset=es,
    target_dataframe_name="customers",
)

Primitif Pengagregatan

Primitif pengagregatan meringkaskan baris anak kepada induk: SUM, MEAN, COUNT, MAX, STD. Primitif ini menukarkan banyak pesanan kepada statistik bagi setiap pelanggan.

feature_matrix, defs = ft.dfs(
    entityset=es,
    target_dataframe_name="customers",
    agg_primitives=["mean", "sum", "count", "max"],
)

Primitif Transformasi

Primitif transformasi beroperasi dalam satu baris atau jadual: mengekstrak bulan daripada tarikh, mengira tempoh masa yang berlalu, atau mengambil nilai mutlak.

feature_matrix, defs = ft.dfs(
    entityset=es,
    target_dataframe_name="customers",
    trans_primitives=["month", "weekday", "time_since_previous"],
)

Mengawal Kedalaman dengan Kedalaman Maksimum

max_depth mengehadkan bilangan primitif yang boleh disusun. Kedalaman 1 ialah pengagregatan langsung; kedalaman 2 menggunakan transformasi kemudian pengagregatan (contohnya, min hari dalam minggu bagi pesanan). Kedalaman yang lebih tinggi menghasilkan lebih banyak ciri, tetapi ciri tersebut lebih berisiko.

feature_matrix, defs = ft.dfs(
    entityset=es,
    target_dataframe_name="customers",
    max_depth=2,
)

Menggunakan Matriks Ciri

feature_matrix yang terhasil ialah bingkai data yang bersih dan diindeks mengikut entiti sasaran, serta sedia dimasukkan ke dalam model. feature_defs mendokumenkan setiap ciri yang dijana.

print(feature_matrix.shape)
print(feature_matrix.head())

X = feature_matrix.fillna(0)
# now train any sklearn model on X

Kekuatan dan Perhatian

Alat pembinaan ciri menghasilkan banyak ciri dengan pantas dan mendedahkan isyarat daripada hubungan data. Namun, alat ini boleh menjana ratusan lajur, jadi padankan dengan pemilihan ciri. Berwaspada terhadap kebocoran dengan menetapkan cutoff_time yang betul untuk data berasaskan masa.

Semakan Pantas

Uji pengetahuan anda tentang alat pembinaan ciri.

Jawab dalam pelajaran interaktif

Imbas Kembali

Imbas kembali: Alat pembinaan ciri mengautomatikkan kejuruteraan ciri. Bina sebuah EntitySet, daftarkan jadual dengan es.add_dataframe, takrifkan hubungan, kemudian jalankan ft.dfs dengan max_depth. Primitif pengagregatan menggulung baris anak kepada induk; primitif transformasi berfungsi dalam satu baris. feature_matrix sedia digunakan oleh model, dan hendaklah dipadankan dengan pemilihan ciri.

Percuma untuk bermula

Pelajari Python dengan tutor kecerdasan buatan — percuma

Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.

Kursus: 53
Pelajaran: 225

Mula belajar secara percuma Lihat kursus penuh

Soalan Lazim

Adakah pelajaran “Kejuruteraan Ciri Automatik dengan Featuretools” percuma?

Ya — sebanyak 3 pelajaran dalam laluan pembelajaran Pelajari AI dengan Python, termasuk “Kejuruteraan Ciri Automatik dengan Featuretools”, boleh dibaca sepenuhnya secara percuma di web ini. Selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan interaktif dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Kursus Pelajari AI dengan Python merangkumi sejumlah 4 pelajaran.

Apakah yang akan saya pelajari dalam “Kejuruteraan Ciri Automatik dengan Featuretools”?

EntitySet, DFS (Deep Feature Synthesis), primitif ciri, pengagregatan bertindan. Anda berlatih Pelajari AI dengan Python menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.

Adakah saya memerlukan pengalaman untuk memulakan Pelajari AI dengan Python?

Tiada pengalaman terdahulu diperlukan. Pembelajaran Pelajari AI dengan Python di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 4 daripada 4.

Berapa lamakah pelajaran “Kejuruteraan Ciri Automatik dengan Featuretools” diambil?

Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.

Bolehkah saya menulis dan menjalankan kod dalam pelajaran Pelajari AI dengan Python ini?

Ya. Setiap pelajaran Pelajari AI dengan Python menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.

Semua pelajaran dalam kursus ini

Kaedah Pemilihan Ciri
Mencipta Ciri Interaksi dan Polinomial
Pengekodan Sasaran dan Pengendalian Kategori Lanjutan
Kejuruteraan Ciri Automatik dengan Featuretools

← Kembali ke Pelajari AI dengan Python