Що таке створення ознак?

Feature Engineering в R

Jorge Zazueta

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

Що таке створення ознак?

Feature engineering — це мистецтво й наука

створення,
перетворення,
добування та
відбору

змінних, щоб підвищити якість і зрозумілість моделі.

Висота об'єкта як функція часу

# 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

Навіщо створювати ознаки?

Створимо просту регресійну модель висоти

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

і візуалізуємо її, щоб наочно оцінити точність.

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()

Наша модель зовсім погано описує дані!

Лінійна регресія: висота проти часу.

Лінійна регресія висоти проти часу, що ілюструє погану узгодженість.

Використання mutate()

Висота об'єкта рухається за параболою за формулою:

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

Тут $y$ — висота об'єкта в момент $t$, а $y_0$, $v_0$ і $g$ — початкова висота, швидкість і прискорення вільного падіння відповідно.

Можемо підігнати модель, врахувавши залежність від часу та квадрата часу.

mutate() приймає датафрейм як перший аргумент і визначення нової змінної, яку буде додано до датафрейму.

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

Прогноз із створеною ознакою

Створимо ще одну регресійну модель, використавши нову ознаку разом із початковою.

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

А тоді зобразимо нове передбачення.

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()

Це вражаюче покращення без зміни типу моделі.

Висота проти часу та time_2

Давайте потренуємось!

Feature Engineering в R