วิศวกรรมและการคัดเลือกคุณลักษณะ
ค้นพบเทคนิคเพื่อเพิ่มความสามารถในการพยากรณ์ของแบบจำลอง
วิศวกรรมและการคัดเลือกคุณลักษณะ เป็นบทเรียน Python For Kids ฟรีบน CoddyKit นี่คือบทเรียนที่ 4 จากทั้งหมด 6 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน Python For Kids และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส Python For Kids มีบทเรียนทั้งหมด 6 บทเรียน
วิศวกรรมคุณลักษณะและการคัดเลือก
วิศวกรรมคุณลักษณะและการคัดเลือกเป็นขั้นตอนสำคัญในการสร้างแบบจำลองการเรียนรู้ของเครื่องที่มีประสิทธิภาพ กระบวนการเหล่านี้ประกอบด้วยการสร้างคุณลักษณะใหม่และเลือกคุณลักษณะที่เกี่ยวข้องมากที่สุด เพื่อปรับปรุงประสิทธิภาพของแบบจำลอง
ในบทเรียนนี้ คุณจะได้เรียนรู้เทคนิคด้านวิศวกรรมคุณลักษณะและการคัดเลือก เพื่อเพิ่มความแม่นยำในการคาดการณ์
วิศวกรรมคุณลักษณะคืออะไร
วิศวกรรมคุณลักษณะคือการสร้างคุณลักษณะใหม่จากข้อมูลดิบ เพื่อทำให้แบบจำลองการเรียนรู้ของเครื่องมีประสิทธิภาพมากขึ้น ตัวอย่างเช่น:
- ดึงคุณลักษณะที่อิงตามเวลา เช่น วัน เดือน หรือชั่วโมงจากข้อมูลประทับเวลา
- รวมคุณลักษณะหลายรายการให้เป็นคุณลักษณะใหม่
- ปรับขนาดคุณลักษณะตัวเลขเพื่อทำให้ช่วงข้อมูลเป็นมาตรฐาน
การสร้างคุณลักษณะใหม่
มาสร้างคุณลักษณะใหม่จากข้อมูลที่มีอยู่กัน:
# 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)การปรับขนาดคุณลักษณะ
การปรับขนาดช่วยให้คุณลักษณะตัวเลขทั้งหมดอยู่ในมาตราส่วนเดียวกัน ซึ่งช่วยเพิ่มประสิทธิภาพของแบบจำลอง:
# Example: Scaling features
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
values = [[10], [20], [30]]
scaled_values = scaler.fit_transform(values)
print(scaled_values)การคัดเลือกคุณลักษณะ
การคัดเลือกคุณลักษณะคือการเลือกคุณลักษณะที่เกี่ยวข้องกับแบบจำลองมากที่สุด เทคนิคที่พบบ่อย ได้แก่:
- วิธีการคัดกรอง: เลือกคุณลักษณะโดยอิงจากค่าทางสถิติ เช่น สหสัมพันธ์
- วิธีการแบบตัวครอบ: ใช้อัลกอริทึมอย่างการกำจัดคุณลักษณะแบบวนซ้ำ (RFE)
- วิธีการแบบฝัง: เลือกคุณลักษณะระหว่างการฝึกแบบจำลอง เช่น การถดถอยแบบ Lasso
การคัดเลือกคุณลักษณะตามสหสัมพันธ์
คุณลักษณะที่มีสหสัมพันธ์สูงอาจซ้ำซ้อนกัน ใช้ Pandas เพื่อคำนวณสหสัมพันธ์:
# 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())การกำจัดคุณลักษณะแบบวนซ้ำ (RFE)
RFE เป็นวิธีแบบตัวครอบที่ลบคุณลักษณะที่สำคัญน้อยที่สุดออกทีละรอบ:
# 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_)ความสำคัญของคุณลักษณะด้วยโมเดลแบบต้นไม้
โมเดลแบบต้นไม้ เช่น Random Forests จะให้คะแนนความสำคัญของคุณลักษณะ:
# 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_)ข้อผิดพลาดที่พบบ่อยในวิศวกรรมคุณลักษณะ
ต่อไปนี้คือข้อผิดพลาดที่ควรหลีกเลี่ยง:
- สร้างคุณลักษณะมากเกินไป ซึ่งอาจทำให้เกิดการเรียนรู้เกินพอดี
- ไม่คำนึงถึงความจำเป็นในการปรับขนาดสำหรับขั้นตอนวิธีที่อิงตามระยะห่าง
- ใช้คุณลักษณะที่มีสหสัมพันธ์สูง ทำให้เกิดความซ้ำซ้อน
เราได้เรียนรู้อะไรบ้าง
ในบทเรียนนี้ คุณได้เรียนรู้:
- ความสำคัญของวิศวกรรมคุณลักษณะและการคัดเลือกในการเรียนรู้ของเครื่อง
- เทคนิคการสร้างคุณลักษณะใหม่และการปรับขนาดคุณลักษณะตัวเลข
- วิธีเลือกคุณลักษณะที่เกี่ยวข้องโดยใช้วิธีต่าง ๆ เช่น RFE และแบบจำลองที่อิงตามต้นไม้
- ข้อผิดพลาดทั่วไปที่ควรหลีกเลี่ยงระหว่างทำวิศวกรรมคุณลักษณะ
ทำได้ดีมาก! ไปยังหัวข้อถัดไปกันเลย
คำถามที่พบบ่อย
บทเรียน “วิศวกรรมและการคัดเลือกคุณลักษณะ” ฟรีหรือไม่
ใช่ — ข้อความเต็มของ “วิศวกรรมและการคัดเลือกคุณลักษณะ” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส Python For Kids ให้อัปเกรดเป็น CoddyKit PRO คอร์ส Python For Kids มีบทเรียนทั้งหมด 6 บทเรียน
คุณจะเรียนรู้อะไรในบทเรียน “วิศวกรรมและการคัดเลือกคุณลักษณะ”
ค้นพบเทคนิคเพื่อเพิ่มความสามารถในการพยากรณ์ของแบบจำลอง คุณปฏิบัติ Python For Kids ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน
คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน Python For Kids หรือไม่
ไม่จำเป็นต้องมีประสบการณ์มาก่อน Python For Kids บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 4 จากทั้งหมด 6 บทเรียน
บทเรียน “วิศวกรรมและการคัดเลือกคุณลักษณะ” ใช้เวลานานแค่ไหน
บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย
ฉันเขียนและรันโค้ดในบทเรียน Python For Kids นี้ได้ไหม
ได้ บทเรียน Python For Kids ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ
บทเรียนทั้งหมดในหลักสูตรนี้
- บทนำสู่การเรียนรู้ของเครื่อง
- การเรียนรู้แบบมีผู้สอนด้วย Scikit-Learn
- การเรียนรู้แบบไม่มีผู้สอน
- วิศวกรรมและการคัดเลือกคุณลักษณะ
- บทนำสู่โครงข่ายประสาทเทียม
- บทนำสู่ TensorFlow และ Keras