O que é engenharia de atributos?

Feature Engineering em R

Jorge Zazueta

Research Professor and Head of the Modeling Group at the School of Economics, UASLP

O que é engenharia de atributos?

Engenharia de atributos é a arte e a ciência de

criar,
transformar,
extrair e
selecionar

variáveis para melhorar o desempenho e a interpretabilidade do modelo.

Altura de um objeto em função do tempo

# A tibble: 100 × 2
    time height
   <dbl>  <dbl>
 1 0       0   
 2 0.101   3.85
 3 0.202  17.7 
 4 0.303  15.1 
 5 0.404  20.0 
 6 0.505  32.6 
 7 0.606  30.8 
 8 0.707  26.6 
 9 0.808  33.8 
10 0.909  39.2 
# ... with 90 more rows
# ℹ Use `print(n = ...)` to see more rows

Por que engenheirar atributos?

Criamos um modelo de regressão simples da altura

lr_height <- lm(height ~ time,
                data = height)

e o traçamos para avaliar a precisão visualmente.

df <- height %>% 
bind_cols(lr_pred = predict(lr_height))

df %>%
  ggplot(aes(x = time, y = height)) +
  geom_point() +
  geom_line(aes(y = lr_pred), 
            color = "blue", lwd = .75)+
    theme_classic()

Nosso modelo falha feio em representar os dados!

Regressão linear de altura vs. tempo.

Regressão linear de altura vs. tempo ilustrando falta de ajuste.

Usando mutate()

A altura de um objeto segue uma trajetória parabólica dada pela fórmula:

$y(t) = y_0 + v_0t - \frac{g}{2}t^2$.

Onde $y$ representa a altura do objeto no tempo $t$, e $y_0$, $v_0$ e $g$ são, respectivamente, a altura inicial, a velocidade inicial e a aceleração da gravidade.

Podemos ajustar nosso modelo reconhecendo a dependência da altura em relação ao tempo e ao quadrado do tempo.

mutate() recebe um data frame como primeiro argumento e a definição de uma nova variável a ser adicionada ao data frame.

df_2 <- df %>% mutate(time_2 = time^2)

# A tibble: 100 × 4
    time height lr_pred time_2
   <dbl>  <dbl>   <dbl>  <dbl>
 1 0       0       80.8 0     
 2 0.101   3.85    80.9 0.0102
 3 0.202  17.7     81.0 0.0408
 4 0.303  15.1     81.1 0.0918

Prever usando o atributo engenheirado

Criamos outro modelo de regressão usando nosso novo atributo junto com o original.

lr_height_2 <- 
lm(height ~ time + time_2, data = df_2)

E traçamos a nova previsão.

df_2 <- df_2 %>%
    bind_cols(lr2_pred = predict(lr_height_2))
df_2 %>%
  ggplot(aes(x = time, y = height)) +
  geom_point() +
  geom_line(aes(y = lr2_pred), 
      col = "blue", lwd = .75) +
  theme_classic()

É uma melhoria e tanto, sem trocar de modelo.

Altura vs. tempo e time_2

Vamos praticar!

Feature Engineering em R