Verilerden Özellik Çıkarma

Özellik çıkarma, ham verileri makine öğrenimi modellerinin kullanabileceği bir özellik kümesine dönüştürmeyi içerir. Bu derste özellik mühendisliğinin temelleri ve verilerden yararlı özellikler çıkarmak için kullanılan yaygın teknikler ele alınır.

Özellik Çıkarma Nedir?

Özellik çıkarma, analiz için en önemli temel öznitelikleri belirleyerek ham verileri sadeleştirir. Veri karmaşıklığını azaltır ve model performansını artırır.

Örnek:

• Bir date sütunundan month ve day değerlerini çıkarmak.
• Metin verilerinden word count hesaplamak.

Tarihlerden Özellik Çıkarma

Pandas kullanarak bir tarih sütunundan year, month veya day gibi yeni özellikler türetebilirsiniz.

Örnek:

df['Year'] = pd.to_datetime(df['Date']).dt.year

Metin Tabanlı Özellikler

Metin verileri için şu tür özellikleri çıkarabilirsiniz:

• Kelime Sayısı: Toplam kelime sayısı.
• Karakter Sayısı: Toplam karakter sayısı.
• Benzersiz Kelimeler: Benzersiz kelimelerin sayısı.

Örnek:

df['WordCount'] = df['Text'].apply(lambda x: len(x.split()))

Kategorik Özellik Kodlama

Kategorik verileri analiz için sayısal biçime dönüştürün. Yaygın teknikler şunlardır:

• Tek Sıcak Kodlama: Her kategori için ikili sütunlar oluşturur.
• Etiket Kodlama: Her kategoriye benzersiz bir sayı atar.

Örnek:

from sklearn.preprocessing import OneHotEncoder encoder = OneHotEncoder() encoded = encoder.fit_transform(df[['Category']])

Özellikleri Ölçeklendirme

Ölçeklendirme, tüm özelliklerin benzer bir ölçekte olmasını sağlar. Bu, birçok makine öğrenimi algoritması için kritik önem taşır. Teknikler şunlardır:

• Standartlaştırma: Verileri ortalaması 0 ve standart sapması 1 olacak şekilde ölçeklendirme.
• Min-Maks Ölçeklendirme: Verileri [0, 1] aralığına dönüştürme.

Özellik Seçimi

Özellik seçimi, model için en önemli özelliklerin seçilmesini içerir. Teknikler şunlardır:

• Korelasyon Analizi: Yüksek korelasyona sahip özellikleri belirleme.
• Özyinelemeli Özellik Eleme (RFE): En az önemli özellikleri yinelemeli olarak kaldırma.

Özet

Bu derste şunları öğrendiniz:

• Özellik çıkarımı: Ham verileri kullanışlı özelliklere dönüştürme.
• Teknikler: Tarih özellikleri, metin tabanlı özellikler ve kategorik verileri kodlama.
• Özellik ölçeklendirme: Özelliklerin benzer ölçeklerde olmasını sağlama.
• Özellik seçimi: En ilgili özellikleri belirleme.

Tebrikler!

Verilerden Özellik Çıkarma dersini tamamladınız. Daha gelişmiş yapay zekâ kavramlarını daha derinlemesine incelemek için sonraki kategoriye geçin.