Realização

Agora você tem uma ideia do que inclui o engenheiro de recursos. Vamos avançar para a implementação prática e observar o pipeline completo em ação.

Neste exemplo, demonstraremos todos os pipelines em um único programa para pré-processamento de dados usando o famoso conjunto de dados iris. Prepararemos os dados, extrairemos características, selecionaremos as características mais relevantes, criaremos novas características, normalizaremos e padronizaremos as características, mesclaremos as características, avaliaremos sua qualidade, realizaremos as características e as integraremos para uso em um modelo de aprendizado de máquina.

Preparação de dados: utilizaremos o conjunto de dados iris da biblioteca scikit-learn, que já está pré-processado e limpo.
Leitura de características: utilizaremos as seguintes características do conjunto de dados: Comprimento da sépala, Largura da sépala, Comprimento da pétala, Largura da pétala.
Seleção de características: utilizaremos o método SelectKBest do scikit-learn para selecionar as 2 características mais relevantes com base em sua pontuação de informação mútua.
Criação de características: criaremos uma nova característica chamada 'Razão Sépala para Pétala' dividindo o comprimento da sépala pelo comprimento da pétala.
Padronização: utilizaremos o método StandardScaler do scikit-learn para escalar as características selecionadas.
Fusão de características: mesclaremos as características selecionadas e recém-criadas em um único array.
Avaliação de características: avaliaremos a qualidade das características calculando seus coeficientes de correlação. Características com alta correlação são mais dependentes linearmente e, portanto, têm quase o mesmo efeito na variável dependente. Então, quando duas características têm alta correlação, podemos descartar uma das duas.
Integração e uso: finalmente, integraremos as características realizadas em um modelo de aprendizado de máquina para classificação.

Note que existe uma diferença entre seleção de características e criação de características: seleção de características refere-se ao processo de selecionar um subconjunto das características disponíveis em um conjunto de dados que seja mais relevante ou informativo para uma determinada tarefa de aprendizado de máquina. Criação de características, por outro lado, envolve gerar novas características a partir das existentes a fim de capturar relações mais complexas ou abstratas entre elas.


              123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051
            
# Import libraries
from sklearn.datasets import load_iris
from sklearn.feature_selection import SelectKBest, mutual_info_classif
from sklearn.preprocessing import StandardScaler
import numpy as np

# Load dataset
iris = load_iris()

# Read features
X = iris.data
sepal_length = X[:, 0]
sepal_width = X[:, 1]
petal_length = X[:, 2]
petal_width = X[:, 3]

# Create new features
sepal_to_petal_ratio = sepal_length / petal_length
sepal_to_petal_ratio = np.reshape(sepal_to_petal_ratio, (-1, 1))

sepal_area = sepal_length * sepal_width
petal_area = petal_length * petal_width

ratio_sepal = sepal_length / sepal_width
ratio_petal = petal_length / petal_width

# Feature selection
kbest = SelectKBest(mutual_info_classif, k=2)
X_new = kbest.fit_transform(X, iris.target)

# Feature creation
X_new = np.hstack((X_new, sepal_to_petal_ratio))

# Scaling 
scaler = StandardScaler()
X_new = scaler.fit_transform(X_new)

# Feature merging
X_new = np.hstack((X_new, sepal_area.reshape(-1, 1)))
X_new = np.hstack((X_new, petal_area.reshape(-1, 1)))
X_new = np.hstack((X_new, ratio_sepal.reshape(-1, 1)))
X_new = np.hstack((X_new, ratio_petal.reshape(-1, 1)))

# Feature evaluation
correlation_matrix = np.corrcoef(X_new.T)
print('Correlation Matrix:')
print(correlation_matrix)
X_new = np.array(X_new, np.float32)

# Integration and usage
# The realized features can now be used in a machine learning model for classification

Qual é a diferença entre seleção de recursos e criação de recursos?

Selecione a resposta correta

A seleção de características envolve a escolha de um subconjunto das características originais para serem usadas em um modelo de aprendizado de máquina, enquanto a criação de características envolve a geração de novas características a partir das características originais para uso em um modelo de aprendizado de máquina.

A seleção de características e a criação de características não são a mesma coisa e não devem ser usadas de forma intercambiável.

A seleção de recursos envolve a criação de novos recursos combinando ou transformando os existentes, enquanto a criação de recursos envolve a identificação dos recursos mais importantes ou relevantes em um conjunto de dados e o descarte do restante.

A criação de recursos é utilizada quando os recursos originais não são suficientes para capturar as informações relevantes nos dados, enquanto a seleção de recursos é usada quando o número de recursos é muito grande e há um risco de superajuste (overfitting).

Tudo estava claro?

Seção 5. Capítulo 2