Co je inženýrství příznaků?

Feature Engineering v R

Jorge Zazueta

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

Co je inženýrství příznaků?

Inženýrství příznaků je umění a věda

vytváření,
transformace,
extrakce a
výběru

proměnných ke zlepšení výkonu a interpretovatelnosti modelu.

Výška objektu jako funkce času

# 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

Proč inženýrsky upravovat příznaky?

Vytvoříme jednoduchý regresní model výšky

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

a vizuálně posoudíme přesnost modelu.

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()

Náš model data vůbec nevystihuje!

Lineární regrese výšky vs. času.

Lineární regrese výšky vs. času ilustrující špatnou shodu s daty.

Použití mutate()

Výška objektu sleduje parabolickou dráhu danou vzorcem:

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

Kde $y$ je výška objektu v čase $t$ a $y_0$, $v_0$ a $g$ jsou počáteční výška, rychlost a gravitační zrychlení.

Model přizpůsobíme tak, aby zohledňoval závislost výšky na čase i druhé mocnině času.

mutate() přijímá datový rámec jako první argument a definici nové proměnné, která bude přidána do datového rámce.

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

Predikce pomocí inženýrského příznaku

Vytvoříme další regresní model s novým i původním příznakem.

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

Zobrazíme novou predikci.

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()

Výrazné zlepšení bez změny modelu.

Výška vs. čas a time_2

Pojďme si procvičit!

Feature Engineering v R