La ingeniería de características es una disciplina fundamental en el campo de la inteligencia artificial y el análisis de datos. Mediante el uso de técnicas y algoritmos avanzados, esta rama de la informática se encarga de identificar, seleccionar y transformar las variables o atributos más relevantes de un conjunto de datos, con el objetivo de mejorar la precisión y el rendimiento de los modelos de aprendizaje automático. En este artículo, exploraremos a fondo los conceptos clave de la ingeniería de características, sus aplicaciones prácticas y las mejores prácticas para su implementación. ¡Descubre cómo esta disciplina puede potenciar tus proyectos de análisis de datos!
Seleccionar, transformar, extraer, combinar y manipular datos sin procesar para generar las variables deseadas para el análisis o el modelado predictivo.
Más de 1,8 millones de profesionales utilizan CFI para aprender contabilidad, análisis financiero, modelado y más. Comience con una cuenta gratuita para explorar más de 20 cursos siempre gratuitos y cientos de plantillas financieras y hojas de trucos.
¿Qué es la ingeniería de funciones?
La ingeniería de características es el proceso de seleccionar, transformar, extraer, combinar y manipular datos sin procesar para generar las variables deseadas para el análisis o el modelado predictivo. Este es un paso crucial en el desarrollo de un modelo de aprendizaje automático.
¿Qué es una función?
Una característica se refiere a un atributo o variable única en nuestro conjunto de datos. Debido a que los datos a menudo se almacenan en filas y columnas, una característica a menudo se puede definir como una sola columna.
¿Por qué desarrollamos funciones?
El objetivo de cualquier modelo de aprendizaje automático es predecir el valor de una variable objetivo utilizando un conjunto de variables predictoras. La ingeniería de funciones mejora el rendimiento del modelo de aprendizaje automático al seleccionar las funciones adecuadas para el modelo y preparar las funciones de una manera que sea adecuada para el modelo de aprendizaje automático.
Por ejemplo, si queremos predecir el precio de un coche, la variable objetivo sería el valor de mercado. Las variables predictoras comienzan como una larga lista de atributos que se reducen y manipulan mediante ingeniería de características para producir un conjunto de variables predictoras efectivas.
El proceso de ingeniería de características incluiría preguntas como “¿Es el número de asientos un buen predictor?” También incluiría preguntas más explicativas como:
- ¿Debería haber una variable predictiva para el ancho de hombros de cada asiento?
- ¿Debería el ancho promedio de los hombros servir como variable predictiva única?
- ¿La potencia y el par deberían ser variables predictivas separadas, o proporcionan información similar y sólo se necesita una de ellas?
Como muestra el ejemplo anterior, la ingeniería de características es un proceso que depende en gran medida del conjunto de datos y las variables objetivo. Por lo tanto, no existe una única forma correcta de realizar la ingeniería de características. La ingeniería de características es un proceso que depende en gran medida de la experiencia y los conocimientos de los científicos de datos que realizan el análisis.
5 pasos para destacar la ingeniería
Aunque no existe una fórmula para una ingeniería de funciones eficaz, los siguientes cinco pasos le proporcionarán información sobre las decisiones de ingeniería de funciones. Estos cinco pasos le ayudarán a tomar buenas decisiones a medida que desarrolle sus funciones.
1. Limpieza de datos
La limpieza de datos es el proceso de corregir errores o inconsistencias en los datos. Este paso incluye identificar datos incorrectos, datos faltantes, datos duplicados y datos irrelevantes. Además, la limpieza de datos es el proceso de eliminar, reemplazar o modificar datos para eliminar valores atípicos y incorrectos.
La limpieza de datos prepara los datos para que el modelo pueda leerlos. Esto significa que todos los valores faltantes se manejan correctamente y que todas las funciones son del tipo de datos correcto. Una decisión típica de limpieza de datos puede implicar valores atípicos. En algunos casos, eliminar los valores atípicos en los datos da como resultado el mejor modelo, mientras que en otros casos los valores atípicos deben conservarse porque proporcionan al modelo información valiosa sobre los casos extremos.
2. Transformación de datos
La transformación de datos es el proceso de convertir datos de un diseño a otro. La transformación debe realizarse de tal manera que no se cambie el significado de los datos originales. Dependiendo del resultado deseado, existen diferentes técnicas para transformar los datos:
transformación: La transformación se refiere a aplicar una función matemática a cada punto de datos. La transformación es una excelente manera de lidiar con datos altamente distorsionados.
Estandarización: La estandarización es el proceso de convertir datos a un formato uniforme. La estandarización de datos es una excelente manera de procesar datos con diferentes unidades.
Cifrado de datos: La codificación se refiere al proceso de convertir variables categóricas en variables numéricas. La codificación de datos es una excelente manera de tratar con variables nominales y ordinales.
3. Extracción de características
La extracción de características es el proceso de extraer nuevas características de los atributos existentes. Este proceso consiste principalmente en reducir la cantidad de funciones en el modelo. La extracción de características puede ser un proceso largo que requiere el uso de técnicas de análisis avanzadas (p. ej. Análisis de componentes principales).
Sin embargo, la extracción de características esencialmente responde a la siguiente pregunta: ¿Las características disponibles son necesarias para explicar el comportamiento de la variable objetivo, o pueden agregarse y agruparse estas características de una manera que preserve el efecto sobre la variable objetivo y al mismo tiempo reduzca la cantidad de características?
La extracción de funciones no tiene por qué ser complicada; Esto puede ser simplemente la agrupación de varias variables en una característica que mide el promedio de esas variables.
4. Selección de funciones
La selección de características implica seleccionar el subconjunto correcto de características para garantizar que se capture la mayor relación posible con la variable objetivo. Se eliminan las características que no explican el comportamiento de la variable objetivo.
Esto se puede hacer clasificando las características según una prueba estadística para identificar las características más importantes. Esto también se puede hacer utilizando una matriz de correlación y eliminando variables predictivas que estén altamente correlacionadas con otras variables predictoras.
5. Iteración de funciones
La iteración de características, también llamada método contenedor de selección de características, es el paso final en la ingeniería de características. Es un proceso iterativo que incluye los siguientes cuatro pasos:
Si bien existen diferentes técnicas y métodos de iteración de funciones, todos siguen un marco similar al anterior. La iteración de características consiste esencialmente en agregar (o eliminar) características del modelo de una manera que garantice que las características solo se agreguen (o eliminen) si eso resulta en una mejora en el rendimiento del modelo.
Este artículo fue escrito en colaboración con pronósticouna empresa especializada en consultoría de datos.
Diploma
La ingeniería de características es una fase esencial en el desarrollo de modelos de aprendizaje automático. A través de varias técnicas, la ingeniería de características ayuda a preparar, transformar y extraer características de datos sin procesar para proporcionar las mejores entradas para un modelo de aprendizaje automático.
No existe una única forma correcta de realizar ingeniería de funciones. Sin embargo, estos pasos permiten a los científicos de datos hacer las preguntas correctas y tomar decisiones informadas a medida que desarrollan sus funciones.
Recursos adicionales
Gracias por leer la guía de Finanzas sobre ingeniería de funciones. Para continuar aprendiendo y desarrollando sus conocimientos, le recomendamos encarecidamente los siguientes recursos adicionales:
