پروژه feature-engineering-and-feature-selection

Yimeng-Zhang/feature-engineering-and-feature-selection

این پروژه یک راهنمای جامع برای مهندسی ویژگی و انتخاب ویژگی در یادگیری ماشین است که با مثال‌ها و پیاده‌سازی‌های عملی در Python همراه شده است.

کاربرد:

این راهنما به شما کمک می‌کنه تا داده‌های خام رو به ویژگی‌های معنادار تبدیل کنید و بهترین ویژگی‌ها رو برای مدل‌سازی انتخاب کنید. این کار باعث بهبود دقت مدل، کاهش زمان آموزش و جلوگیری از بیش‌برازش می‌شه.

در چه شرایطی بهتره استفاده شود؟

وقتی با داده‌های ناخالص، ناقص یا با ابعاد بالا کار می‌کنید و می‌خواهید مدل‌های یادگیری ماشین دقیق‌تر و کارآمدتری داشته باشید، استفاده از این روش‌ها ضروریه. به‌ویژه در پروژه‌هایی مثل پیش‌بینی، طبقه‌بندی و خوشه‌بندی بسیار مفیده.

چند مثال از موارد استفاده:

- تبدیل داده‌های متنی به ویژگی‌های عددی با تکنیک‌هایی مثل One-Hot Encoding یا TF-IDF

- ایجاد ویژگی‌های جدید از داده‌های تاریخ و زمان، مثل استخراج روز هفته یا فصل ️

- حذف ویژگی‌های بی‌اهمیت با روش‌هایی مثل Chi-Square، Recursive Feature Elimination یا Feature Importance از درخت‌های تصمیم