Czym jest inżynieria cech?

Inżynieria cech w R

Jorge Zazueta

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

Czym jest inżynieria cech?

Inżynieria cech to sztuka i nauka polegająca na

tworzeniu,
przekształcaniu,
ekstrakcji i
selekcji

zmiennych w celu poprawy wydajności i interpretowalności modelu.

Wysokość obiektu jako funkcja czasu

# 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

Dlaczego warto tworzyć cechy?

Tworzymy prosty model regresji wysokości

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

i wizualizujemy go, aby ocenić dopasowanie.

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()

Nasz model zupełnie nie odwzorowuje danych!

Regresja liniowa wysokości a czas.

Regresja liniowa wysokości a czas ilustrująca brak dopasowania.

Użycie mutate()

Wysokość obiektu opisuje trajektoria paraboliczna zgodnie ze wzorem:

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

Gdzie $y$ oznacza wysokość obiektu w chwili $t$, a $y_0$, $v_0$ i $g$ to odpowiednio: wysokość początkowa, prędkość i przyspieszenie ziemskie.

Możemy dopasować model, uwzględniając zależność wysokości od czasu i kwadratu czasu.

mutate() przyjmuje ramkę danych jako pierwszy argument oraz definicję nowej zmiennej, która zostanie do niej dodana.

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

Prognozowanie z użyciem wytworzonej cechy

Tworzymy kolejny model regresji, używając nowej cechy wraz z oryginalną.

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

Następnie wizualizujemy nowe przewidywania.

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()

To znacząca poprawa bez zmiany modelu.

Wysokość a czas i time_2

Czas na ćwiczenia!

Inżynieria cech w R