AITerms 登入
機器學習模型訓練資料處理

自動特徵工程(Automated Feature Engineering)是什麼?

自動特徵工程利用演算法自動從原始資料中提取、選擇和轉換特徵,以提升機器學習模型的效能。

完整定義

自動特徵工程是指利用演算法和自動化技術,從原始資料中自動提取、選擇和轉換特徵,以提升機器學習模型的效能。它旨在減少人工干預,加速特徵工程的過程,並發現人工難以發現的有效特徵。

白話說明

原始資料一堆欄位,模型卻看不出重點,能不能讓系統自己幫你做特徵?

你可以把自動特徵工程想成資料整理助理,它會把原始欄位變成更好學的訊號。

它想減少人工反覆試欄位組合的時間,讓模型更快找到有用規律。

記住這句

把原始欄位變成模型更容易學的訊號

比喻:自動特徵工程就像一位懂得食材變化的「智慧主廚」-- 以前我們得手動切菜、調味、搭配,現在它能自動把原始食材(資料)變成各種美味的料理(特徵),而且還會自己判斷哪種調味(特徵轉換)最能讓菜餚(模型)表現最佳。

容易混淆

自動特徵工程 vs 特徵選擇?

自動特徵工程:系統自動產生與挑選特徵

特徵選擇:從現有特徵裡挑出較好的

最關鍵的區別:前者會創造新特徵,後者主要是在挑現有特徵

自動特徵工程 vs 自動化清理?

自動特徵工程:幫你處理欄位關係

自動化清理:幫你修正缺失值與格式

最關鍵的區別:清理是把資料整理乾淨,特徵工程是把資料變得更有資訊

自動特徵工程 vs AutoML?

自動特徵工程:偏向資料前處理

AutoML:涵蓋特徵、模型與調參的整套自動化流程

最關鍵的區別:AutoML 是更大一層的流程,自動特徵工程只是其中一段

實際案例

信用風險

把收入、負債、交易頻率組合出比單一欄位更有預測力的特徵

流失預測

從登入次數、最近互動時間與購買間隔中,自動找出能預測流失的組合

演算法與應用

重點
輸入
你要看什麼
原始表格資料
為什麼重要
越乾淨越容易做出好特徵
重點
方法
你要看什麼
交叉組合、統計聚合、時間窗特徵
為什麼重要
把局部訊號變成可學訊號
重點
輸出
你要看什麼
新特徵集合
為什麼重要
再交給模型訓練或篩選

情境判斷

Q1:如果原始欄位很多但彼此關係複雜,這類工具有沒有幫助?

有,因為它可以自動嘗試欄位交互作用與聚合特徵

Q2:若資料量很小又很乾淨,還需要大量自動特徵工程嗎?

不一定,過度產生特徵反而可能增加噪音與過擬合風險

常見問題

出現在這些考古題

官方公告試題的逐題解析裡,這 4 題把自動特徵工程列為延伸術語。

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本