Python For Kids · Lekcja

Inżynieria i wybór cech

Poznaj techniki zwiększania mocy predykcyjnej modeli.

Inżynieria i wybór cech to bezpłatna lekcja Python For Kids na CoddyKit. To lekcja 4 z 6. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Python For Kids, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Python For Kids zawiera 6 lekcji w sumie.

Inżynieria i wybór cech

Inżynieria i wybór cech to kluczowe etapy tworzenia skutecznych modeli uczenia maszynowego. Procesy te obejmują tworzenie nowych cech oraz wybieranie tych najbardziej istotnych w celu poprawy wydajności modelu.

W tej lekcji poznają Państwo techniki inżynierii i wyboru cech, które zwiększają dokładność prognoz.

Czym jest inżynieria cech?

Inżynieria cech polega na tworzeniu nowych cech na podstawie surowych danych, aby zwiększyć skuteczność modeli uczenia maszynowego. Przykłady:

Wyodrębnianie cech zależnych od czasu, takich jak dzień, miesiąc lub godzina, ze znaczników czasu.
Łączenie wielu cech w jedną nową cechę.
Skalowanie cech liczbowych w celu ujednolicenia ich zakresu.

Tworzenie nowych cech

Utwórzmy nowe cechy na podstawie istniejących danych:

# 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)

Skalowanie cech

Skalowanie zapewnia, że wszystkie cechy liczbowe są przedstawione w tej samej skali, co poprawia wydajność modelu:

# Example: Scaling features
from sklearn.preprocessing import MinMaxScaler

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

Wybór cech

Wybór cech polega na wybraniu cech najbardziej istotnych dla modelu. Typowe techniki obejmują:

Metody filtrujące: Wybieranie cech na podstawie miar statystycznych, takich jak korelacja.
Metody opakowujące: Wykorzystywanie algorytmów takich jak Recursive Feature Elimination (RFE).
Metody wbudowane: Wybieranie cech podczas trenowania modelu, na przykład regresja Lasso.

Wybór cech na podstawie korelacji

Silnie skorelowane cechy mogą być nadmiarowe. Do obliczania korelacji należy użyć Pandas:

# 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())

Rekurencyjna eliminacja cech (RFE)

RFE to metoda oparta na wrapperze, która iteracyjnie usuwa najmniej istotne cechy:

# 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_)

Istotność cech w modelach opartych na drzewach

Modele oparte na drzewach, takie jak Random Forests, udostępniają wartości istotności cech:

# 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_)

Częste błędy w inżynierii cech

Oto błędy, których należy unikać:

Tworzenie zbyt wielu cech, co może prowadzić do przeuczenia.
Ignorowanie potrzeby skalowania w algorytmach opartych na odległości.
Używanie silnie skorelowanych cech, powodujące nadmiarowość.

Czego się nauczyliśmy?

W tej lekcji nauczyli się Państwo:

Jakie znaczenie mają inżynieria i wybór cech w uczeniu maszynowym.
Technik tworzenia nowych cech i skalowania cech liczbowych.
Jak wybierać istotne cechy za pomocą metod takich jak RFE i modeli opartych na drzewach.
Jakich częstych błędów unikać podczas inżynierii cech.

Świetna praca! Przejdźmy do następnego tematu.

Często zadawane pytania

Czy lekcja „Inżynieria i wybór cech” jest bezpłatna?

Tak — pełny tekst „Inżynieria i wybór cech” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Python For Kids, przejdź na CoddyKit PRO. Kurs Python For Kids zawiera 6 lekcji w sumie.

Co nauczysz się w „Inżynieria i wybór cech”?

Poznaj techniki zwiększania mocy predykcyjnej modeli. Ćwiczysz Python For Kids z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.

Czy potrzebuję doświadczenia, aby zacząć Python For Kids?

Nie wymagamy żadnego doświadczenia. Python For Kids w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 4 z 6.

Ile czasu zajmuje lekcja „Inżynieria i wybór cech”?

Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.

Czy mogę pisać i uruchamiać kod w tej lekcji Python For Kids?

Tak. Każda lekcja Python For Kids zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.

Wszystkie lekcje w tym kursie

← Powrót do Python For Kids