Feature engineering (tvorba příznaků)

Příklady z praxe

1. 01

   Cyklické zakódování hodiny nákupu

   Online obchod chce předpovědět dokončení objednávky podle času nákupu. Místo prostého čísla 23 pro jedenáctou večer použije dvojici sinus a kosinus, takže model chápe půlnoc jako plynulý přechod. Predikce pak méně trpí umělým skokem mezi 23:00 a 0:00.

   import numpy as np
   
   hour = 23
   hour_sin = np.sin(2 * np.pi * hour / 24)
   hour_cos = np.cos(2 * np.pi * hour / 24)

2. 02

   Poměr faktury k historii zákazníka

   Tým pro správu pohledávek odhaduje, které faktury budou zaplaceny pozdě. Místo samotné částky faktury vytvoří příznak, který porovná částku s obvyklou fakturací konkrétního zákazníka. Model tak reaguje na neobvykle vysokou fakturu u daného zákazníka, ne jen na velká čísla obecně.

Časté omyly

MýtusStačí nasypat surová data do neuronové sítě a feature engineering není potřeba.

Ve skutečnostiNeuronové sítě umí část reprezentace naučit samy, hlavně u obrazů, zvuku a textu. U tabulkových a obchodních dat ale dobře navržené příznaky často rozhodují o přesnosti, stabilitě i vysvětlitelnosti modelu.

MýtusFeature engineering se udělá jednou před trénováním a pak je hotovo.

Ve skutečnostiFeature engineering je součást provozované pipeline. Pravidla výpočtu se musí verzovat, testovat a sledovat v čase, protože zdroje dat, chování uživatelů i obchodní procesy se mění.

Časté dotazy

Kdy má feature engineering větší přínos než složitější model?

Feature engineering má často větší přínos u tabulkových a obchodních dat, kde surové sloupce nevyjadřují důležité vztahy přímo. Model například nemusí snadno odvodit sezonnost, poměry, čas od poslední události nebo agregace za zákazníka. Složitější model může pomoci, ale bez dobrých vstupů se stále učí z neúplného obrazu problému.

Patří normalizace dat do feature engineeringu?

Normalizace dat se obvykle bere jako součást širší přípravy příznaků, zvlášť pokud mění reprezentaci vstupu pro model. Škálování číselných hodnot, logaritmická transformace nebo standardizace mohou výrazně ovlivnit algoritmy citlivé na měřítko, například lineární modely, neuronové sítě nebo metody založené na vzdálenosti. U stromových modelů bývá vliv škálování menší, ale stále může patřit do pipeline.

Jak se feature engineering testuje v produkčním systému?

Feature engineering se v produkci testuje podobně jako běžný kód i jako datová smlouva. Testy ověřují rozsah hodnot, typy, chybějící data, časovou dostupnost vstupů a shodu výpočtu mezi trénováním a predikcí. Monitoring navíc sleduje drift příznaků, protože změna chování uživatelů nebo datových zdrojů může zhoršit model i bez změny kódu.

Může AutoML nahradit feature engineering?

Automatické strojové učení umí část feature engineeringu navrhnout nebo vyzkoušet, například kódování kategorií, škálování, základní transformace a výběr příznaků. Doménová znalost ale zůstává důležitá u časové dostupnosti dat, obchodního významu proměnných, právních omezení a rizika úniku cílové informace. Automatizace pomáhá hledat varianty, ale nenahrazuje pochopení problému.

Zdroje

1. Feature engineering(otevře se v novém okně)Wikipedia
2. Machine Learning Crash Course(otevře se v novém okně)Google for Developers
3. Working with preprocessing layers(otevře se v novém okně)TensorFlow
4. Transforms(otevře se v novém okně)PyTorch

Související pojmy

• EmbeddingEmbedding je číselná vektorová reprezentace objektu, například slova, věty, obrázku, produktu nebo uživatele, navržená tak, aby zachytila významové či statistické vztahy. Modely strojového učení s embeddingy počítají podobnost, řazení, doporučování a vyhledávání, protože podobné objekty leží vektorově blízko sebe.
• Data pipelineData pipeline je řízený sled kroků, který přesouvá data ze zdrojů do cílového úložiště nebo aplikace a během cesty je čistí, převádí, obohacuje či kontroluje. Používá se v analytice, strojovém učení i provozních systémech, aby data dorazila včas, ve správném formátu a dohledatelně.
• Trénovací dataTrénovací data je odborné označení pro datovou sadu, ze které se model strojového učení učí vztahy mezi vstupy a očekávanými výstupy. Mohou obsahovat texty, obrázky, tabulky, zvuk nebo události z aplikace. Jejich kvalita, reprezentativnost a správné oddělení od testovacích dat zásadně ovlivňují spolehlivost modelu.
• A/B testováníA/B testování je řízený experiment, který porovnává dvě varianty stránky, funkce, ceny nebo sdělení na podobných skupinách uživatelů. Měří předem zvolenou metriku, například konverzi nebo retenci, a pomáhá rozhodnout, zda změna skutečně zlepšuje výsledek, nebo zda pozorovaný rozdíl mohl vzniknout náhodou.
• AI agentAI agent je softwarový systém, který pomocí modelu umělé inteligence vnímá zadaný kontext, plánuje další kroky a samostatně volá nástroje nebo služby k dosažení cíle. Na rozdíl od jednorázového promptu udržuje stav úlohy, vyhodnocuje výsledky akcí a může opakovat postup, dokud nesplní zadání nebo nenarazí na limit.
• AI etikaAI etika je obor, který zkoumá, jaké dopady mají systémy umělé inteligence na lidi, a formuluje pravidla pro jejich návrh, trénink a provoz. Řeší zaujatost dat, transparentnost rozhodování, ochranu soukromí, odpovědnost za chybu i bezpečnost modelu. Ve firemní praxi se promítá do interních politik, dokumentace modelů a povinností podle regulace typu AI Act.
• ArbitrážArbitráž je obchodní strategie, která využívá rozdíl v ceně stejného nebo ekonomicky shodného aktiva na různých trzích, místech nebo v různých formách. Trader se snaží levně koupit a současně dráž prodat, aby zisk vznikl z cenové nesrovnalosti, ne z dlouhodobého odhadu směru trhu. V praxi rozhodují poplatky, rychlost, likvidita a riziko vypořádání.
• AtribuceAtribuce je způsob, jak v marketingové analytice přiřadit zásluhu za konverzi jednotlivým kontaktům zákazníka se značkou, například reklamě, e-mailu nebo organickému vyhledávání. Pomáhá odhadnout přínos kanálů a kampaní, ale sama o sobě nedokazuje kauzalitu. Výsledek závisí na datech, pravidlech měření a zvoleném atribučním modelu.