Merkmalskonstruktion für Machine learning
Prinzipien und Techniken der Datenaufbereitung
Die Merkmalskonstruktion, auch bekannt als Feature Engineering, ist ein wesentlicher Schritt in der Datenaufbereitung für maschinelles Lernen, der die Modellleistung erheblich beeinflusst. In diesem praxisorientierten Buch werden Techniken vermittelt, um Merkmale – numerische Repräsentationen spezifischer Aspekte von Rohdaten – zu extrahieren und für maschinelle Lernmodelle nutzbar zu machen. Jedes Kapitel behandelt eine spezifische Datenanalyse-Aufgabe, wie die Verarbeitung von Text- oder Bilddaten, und veranschaulicht die Prinzipien der Merkmalskonstruktion. Die Autorinnen legen großen Wert auf praktische Anwendungen und Übungen. Das Schlusskapitel vertieft das Gelernte, indem es verschiedene Techniken auf einen realen, strukturierten Datensatz anwendet. Dabei kommen Python-Pakete wie numpy, Pandas, scikit-learn und Matplotlib zum Einsatz. Zu den Themen gehören Merkmalskonstruktion an numerischen Daten, Techniken für natürlichen Text, Frequenzfilterung, Kodierungstechniken für Kategorievariablen, modellgesteuerte Merkmalskonstruktion und die Gewinnung von Bildmerkmalen durch manuelle sowie Deep-Learning-Techniken. Die Bedeutung von Datenaufbereitung und Merkmalskonstruktion für die Modellleistung wird hervorgehoben, und die detaillierte Erklärung verbreiteter Techniken bietet wertvolle Einblicke.
