Feature Engineering คืออะไร? การแปลงข้อมูลดิบให้โมเดลเรียนรู้ได้ดีขึ้น
Feature Engineering (วิศวกรรมค่าแทนลักษณะ หรือการสกัดค่าแทนลักษณะ) คือ กระบวนการใช้ความรู้เกี่ยวกับข้อมูลเพื่อสร้าง ตัดแปลง หรือคัดเลือกค่าแทนลักษณะ (feature) ที่เหมาะกับงานออกจากข้อมูลดิบ ค่าแทนลักษณะที่ดีจะช่วยให้โมเดลจับรูปแบบได้ง่ายและแม่นยำขึ้น แม้โมเดลจะเป็นตัวเดียวกันก็ตาม
วิศวกรรมค่าแทนลักษณะคืออะไร
ข้อมูลดิบในโลกจริงมักอยู่ในรูปแบบที่โมเดลใช้ไม่ได้ทันที เช่น วันที่ ข้อความ หรือค่าที่หน่วยต่างกัน Feature engineering จะแปลงสิ่งเหล่านี้เป็นตัวแปรที่โมเดลสามารถประมวลผลและเรียนรู้ได้
ลองนึกภาพการเตรียมวัตถุดิบก่อนปรุงอาหาร: วัตถุดิบคุณภาพดีและเตรียมมาดีจะทำให้อาหารออกมาดี แม้ใช้สูตรเดียวกัน ค่าแทนลักษณะก็เป็นวัตถุดิบที่ป้อนให้การเรียนรู้ของเครื่อง
ค่าแทนลักษณะคืออะไร
ค่าแทนลักษณะ (feature) คือคุณสมบัติที่วัดได้ของแต่ละตัวอย่าง เช่น อายุ ราคา ความยาวข้อความ หรือพิกัด หลายโมเดลต้องการตัวเลข จึงต้องแปลงข้อมูลที่ไม่ใช่ตัวเลขก่อน
ทำอะไรได้บ้าง
สร้างตัวแปรใหม่
รวมข้อมูลที่มีอยู่เป็นค่าใหม่ที่เป็นประโยชน์ เช่น แยกวันในสัปดาห์จากวันที่ หรือคำนวณอัตราส่วนจากสองค่า
แปลงข้อมูลประเภท
แปลงหมวดหมู่หรือข้อความให้โมเดลอ่านได้ เช่น การเข้ารหัสกลุ่ม หรือใช้เอ็มเบ็ดดิงกับข้อความ
การปรับสเกล
ปรับค่าตัวเลขให้อยู่ในช่วงใกล้เคียงกัน เพื่อไม่ให้ค่าที่มีหน่วยใหญ่กว่าครอบงำการคำนวณ
จัดการค่าที่หายไป
เติมหรือจัดการค่าที่ไม่มีบันทึกอย่างเป็นระบบ เพื่อไม่ให้โมเดลทำงานผิดพลาด
ตารางสรุป
| งาน | ตัวอย่าง |
|---|---|
| สร้างตัวแปร | แยกวัน คำนวณอัตราส่วน |
| แปลงข้อมูล | เข้ารหัสหมวดหมู่ เอ็มเบ็ดดิงข้อความ |
| ปรับสเกล | ทำให้ค่าอยู่ช่วงเดียวกัน |
| ค่าหายไป | เติมค่าหรือแยกวิธีจัดการ |
กับกระบวนการที่ใกล้เคียง
- Feature extraction: สกัดค่าแทนลักษณะใหม่จากข้อมูลดิบ เช่น ดึงลักษณะจากภาพ
- Feature selection: คัดเลือกเฉพาะค่าที่เป็นประโยชน์ ตัดตัวแปรที่ไม่ช่วยออก
- การติดฉลากข้อมูล: กำหนดป้ายกำกับให้ตัวอย่างสำหรับงานมีผู้สอน
ใช้งานที่ไหน
- การถดถอยเชิงเส้นและต้นไม้ตัดสินใจ: คุณภาพตัวแปรมีผลต่อผลลัพธ์โดยตรง
- งานข้อความ: แปลงคำเป็นค่าตัวเลขหรือเอ็มเบ็ดดิง
- การเงิน: สร้างอัตราส่วนและตัวชี้วัดจากข้อมูลดิบ
- การตลาด: รวมพฤติกรรมลูกค้าเป็นค่าแทนลักษณะ
เหตุใดจึงสำคัญ
- ค่าแทนลักษณะที่ดีช่วยให้โมเดลง่ายขึ้นและฝึกเร็วขึ้น
- บางครั้งการปรับปรุงค่าแทนลักษณะให้ผลดีกว่าการเปลี่ยนไปใช้โมเดลที่ซับซ้อนกว่า
- ช่วยให้ตีความผลและอธิบายการตัดสินใจได้ง่ายขึ้น
- แต่หากเพิ่มตัวแปรที่ไม่เกี่ยวข้องมากเกินไปอาจทำให้เกิดภาวะโอเวอร์ฟิตติ้ง
FAQ
Feature Engineering คืออะไร?
กระบวนการสร้าง แปลง หรือคัดเลือกค่าแทนลักษณะจากข้อมูลดิบให้เหมาะกับโมเดล ช่วยเพิ่มความแม่นยำ
Feature กับตัวแปรต่างกันไหม?
ในที่นี้หมายถึงสิ่งเดียวกัน คือคุณสมบัติที่วัดได้ของตัวอย่างที่ป้อนเข้าโมเดล
Feature Selection ต่างอย่างไร?
Feature engineering เน้นสร้างและแปลง ส่วน feature selection เน้นคัดเลือกค่าที่มีประโยชน์และตัดส่วนที่ไม่จำเป็นออก
ทำไมต้องปรับสเกล?
เพื่อไม่ให้ค่าที่มีตัวเลขใหญ่กว่าครอบงำโมเดล แม้ค่านั้นไม่ได้สำคัญกว่าจริง
ต้องเป็นผู้เชี่ยวชาญข้อมูลไหม?
ไม่จำเป็น การเริ่มต้นสามารถทำความเข้าใจข้อมูลและลองแปลงค่าพื้นฐานตามลักษณะงานได้
สรุป
- Feature engineering แปลงข้อมูลดิบเป็นค่าแทนลักษณะที่เป็นประโยชน์
- รวมถึงการสร้างตัวแปร การเข้ารหัส การปรับสเกล และจัดการค่าหายไป
- ต่างจาก feature extraction และ feature selection
- ค่าแทนลักษณะดีช่วยให้โมเดลแม่นยำและฝึกเร็วขึ้น
- ใช้ได้กับงานตาราง ข้อความ ภาพ และการเงิน
- ควรหลีกเลี่ยงตัวแปรที่ไม่เกี่ยวข้องเพื่อลด overfitting
Sources
Learn by doing
Read a guide, then practice with bite-sized AI lessons you can take offline.
Start learning free