Featuretools ile Otomatik Özellik Mühendisliği
EntitySet, DFS (Derin Özellik Sentezi), özellik ilkelleri, toplulaştırmaların üst üste eklenmesi.
Featuretools ile Otomatik Özellik Mühendisliği, CoddyKit'te ücretsiz bir Learn AI with Python dersidir. Bu, 4 dersinin 4. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, Learn AI with Python öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. Learn AI with Python kursu toplamda 4 dersten oluşur.
Özellik Oluşturmayı Otomatikleştirme
El ile özellik mühendisliği yavaştır ve bileşimleri gözden kaçırmak kolaydır. Featuretools, Deep Feature Synthesis adlı bir yöntemle ilişkisel verilerden çok sayıda aday özelliği otomatik olarak oluşturur.
İlişkisel Veriler ve Varlıklar
Gerçek veriler çoğu zaman birbiriyle ilişkili birden çok tabloya yayılır: müşteriler, siparişler, ürünler. Featuretools bu ilişkileri modeller ve bağlantılar arasındaki toplamaları otomatik olarak yapan özellikler oluşturur.
EntitySet Oluşturma
Bir EntitySet, veri çerçevelerinizi ve bunların ilişkilerini tutan kapsayıcıdır. Boş bir tane oluşturarak başlayın.
import featuretools as ft
es = ft.EntitySet(id="customers_data")DataFrames Ekleme
es.add_dataframe bir tabloyu kaydeder. Tablonun index değerini (benzersiz anahtar) belirtir ve zaman bilgisi içeren veriler için isteğe bağlı olarak time_index belirtirsiniz.
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",
)İlişkileri Tanımlama
Tabloların nasıl bağlandığını Featuretools'a add_relationship ile bildirin: bir üst anahtar, alt tablonun yabancı anahtarına bağlanır (bir müşterinin birçok siparişi vardır).
es = es.add_relationship(
"customers", "customer_id",
"orders", "customer_id",
)Derin Özellik Sentezi
DFS (ft.dfs) altyapıyı sağlar. İşlemleri ilişkiler boyunca art arda uygulayarak, her birini kendiniz kodlamadan "müşteri başına ortalama sipariş değeri" gibi özellikler oluşturur.
import featuretools as ft
feature_matrix, feature_defs = ft.dfs(
entityset=es,
target_dataframe_name="customers",
)Toplama İlkel İşlemleri
Toplama ilkel işlemleri, alt satırları üst satırlarda özetler: SUM, MEAN, COUNT, MAX, STD. Çok sayıdaki siparişi müşteri başına istatistiklere dönüştürürler.
feature_matrix, defs = ft.dfs(
entityset=es,
target_dataframe_name="customers",
agg_primitives=["mean", "sum", "count", "max"],
)Dönüştürme İlkel İşlemleri
Dönüştürme ilkel işlemleri, tek bir satır veya tablo içinde çalışır: tarihten ayı çıkarma, geçen süreyi hesaplama ya da mutlak değerleri alma gibi.
feature_matrix, defs = ft.dfs(
entityset=es,
target_dataframe_name="customers",
trans_primitives=["month", "weekday", "time_since_previous"],
)max_depth ile Derinliği Denetleme
max_depth, kaç ilkel işlemin üst üste uygulanabileceğini sınırlar. 1. derinlik doğrudan toplamalardır; 2. derinlik önce bir dönüşüm, ardından bir toplama uygular (ör. siparişlerin haftanın gününe ait mean değeri). Daha yüksek derinlik daha çok, ancak daha riskli, özellik anlamına gelir.
feature_matrix, defs = ft.dfs(
entityset=es,
target_dataframe_name="customers",
max_depth=2,
)Özellik Matrisini Kullanma
Ortaya çıkan feature_matrix, hedef varlığa göre dizinlenmiş, bir modele aktarılmaya hazır temiz bir veri çerçevesidir. feature_defs, oluşturulan her özelliği belgeler.
print(feature_matrix.shape)
print(feature_matrix.head())
X = feature_matrix.fillna(0)
# now train any sklearn model on XGüçlü Yönler ve Dikkat Edilecekler
Featuretools hızla çok sayıda özellik üretir ve ilişkisel sinyalleri ortaya çıkarır. Ancak yüzlerce sütun oluşturabilir; bu nedenle özellik seçimiyle birlikte kullanın. Zaman bilgili verilerde uygun bir cutoff_time belirleyerek veri sızıntısına karşı dikkatli olun.
Hızlı Kontrol
Featuretools bilginizi sınayın.
Özet
Özet: Featuretools, özellik mühendisliğini otomatikleştirir. Bir EntitySet oluşturun, tabloları es.add_dataframe ile kaydedin, ilişkileri tanımlayın, ardından max_depth ile ft.dfs çalıştırın. Toplama ilkel işlemleri alt satırları üst satırlara taşır; dönüştürme ilkel işlemleri bir satırın içinde çalışır. feature_matrix model kullanımına hazırdır; onu özellik seçimiyle birlikte kullanın.
Sıkça Sorulan Sorular
“Featuretools ile Otomatik Özellik Mühendisliği” dersi ücretsiz mi?
Evet — “Featuretools ile Otomatik Özellik Mühendisliği” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve Learn AI with Python kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. Learn AI with Python kursu toplamda 4 dersten oluşur.
“Featuretools ile Otomatik Özellik Mühendisliği” dersinde ne öğreneceğim?
EntitySet, DFS (Derin Özellik Sentezi), özellik ilkelleri, toplulaştırmaların üst üste eklenmesi. Learn AI with Python ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.
Learn AI with Python öğrenmeye başlamak için deneyim gerekli mi?
Önceden deneyim gerekmez. CoddyKit'te Learn AI with Python, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 4. dersidir.
“Featuretools ile Otomatik Özellik Mühendisliği” dersi ne kadar sürer?
Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.
Bu Learn AI with Python dersinde kod yazıp çalıştırabilir miyim?
Evet. Her Learn AI with Python dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.
Bu kursun tüm dersleri
- Özellik Seçme Yöntemleri
- Etkileşimli ve Polinom Özellikler Oluşturma
- Hedef Kodlama ve Gelişmiş Kategorik Veri İşleme
- Featuretools ile Otomatik Özellik Mühendisliği