फीचर इंजीनियरिंग पर्यवेक्षित मशीन लर्निंग और सांख्यिकीय मॉडलिंग में एक प्रीप्रोसेसिंग चरण है जो कच्चे डेटा को अधिक प्रभावी इनपुट समुच्चय में रूपांतरित करता है। प्रत्येक इनपुट में कई विशेषताएँ होती हैं, जिन्हें फीचर कहा जाता है। मॉडलों को प्रासंगिक जानकारी प्रदान करके, फीचर इंजीनियरिंग उनकी भविष्यवाणी सटीकता और निर्णय लेने की क्षमता को काफी बढ़ा देती है। ये सिद्धांत मशीन लर्निंग से परे भौतिकी जैसे वैज्ञानिक क्षेत्रों तक विस्तारित हैं, जहाँ द्रव गतिकी में रेनॉल्ड्स संख्या, ऊष्मा स्थानांतरण में नुसेल्ट संख्या, और अवसादन में आर्किमिडीज़ संख्या जैसी आयामहीन संख्याएँ निर्मित की जाती हैं, और सामग्री की शक्ति के लिए विश्लेषणात्मक समाधान पहले सन्निकटन के रूप में विकसित किए जाते हैं।
क्लस्टरिंग अनुप्रयोग
फीचर इंजीनियरिंग का व्यापक रूप से डेटासेट में फीचर-ऑब्जेक्ट्स या नमूना-ऑब्जेक्ट्स के क्लस्टरिंग के लिए उपयोग किया जाता है। मैट्रिक्स अपघटन-आधारित विधियाँ, विशेष रूप से फीचर गुणांकों पर गैर-नकारात्मकता प्रतिबंध वाली विधियाँ, व्यापक रूप से लागू की जाती हैं। इनमें नॉन-नेगेटिव मैट्रिक्स फैक्टराइज़ेशन (NMF), नॉन-नेगेटिव मैट्रिक्स-ट्राई फैक्टराइज़ेशन (NMTF), और नॉन-नेगेटिव टेंसर डीकंपोज़िशन/फैक्टराइज़ेशन (NTF/NTD) शामिल हैं। गैर-नकारात्मकता प्रतिबंध भाग-आधारित प्रतिनिधित्व उत्पन्न करते हैं, और विभिन्न फैक्टर मैट्रिक्स प्राकृतिक क्लस्टरिंग गुण प्रदर्शित करते हैं। विस्तारों में कठोर क्लस्टरिंग के लिए ऑर्थोगोनैलिटी-प्रतिबंधित फैक्टराइज़ेशन और अंतर्निहित एल्गोरिदम मुद्दों को संबोधित करने के लिए मैनिफोल्ड लर्निंग शामिल हैं।
अन्य दृष्टिकोण कई परस्पर संबंधित डेटासेट में साझा छिपी संरचनाओं का लाभ उठाकर सर्वसम्मति क्लस्टरिंग प्राप्त करते हैं। कंसेंसस मैट्रिक्स डीकंपोज़िशन (MCMD) पर आधारित मल्टी-व्यू क्लासिफिकेशन डेटासेट में एक सामान्य क्लस्टरिंग योजना खोजता है, स्केल-वेरिएंट और स्केल-इनवेरिएंट क्लास लेबल आउटपुट करता है, लुप्त जानकारी के प्रति मजबूत होता है, आकार- और स्केल-आधारित आउटलायर्स का पता लगा सकता है, और उच्च-आयामी डेटा को प्रभावी ढंग से संभालता है। युग्मित मैट्रिक्स और टेंसर डीकंपोज़िशन मल्टी-व्यू फीचर इंजीनियरिंग में लोकप्रिय हैं।
भविष्यवाणी मॉडलिंग
मशीन लर्निंग और सांख्यिकीय मॉडलिंग में, फीचर इंजीनियरिंग में फीचरों का चयन, निर्माण, रूपांतरण और निष्कर्षण शामिल है। मुख्य घटकों में मौजूदा डेटा से फीचर निर्माण, लुप्त या अमान्य फीचरों का रूपांतरण और प्रतिस्थापन, प्रिंसिपल कंपोनेंट्स एनालिसिस (PCA), इंडिपेंडेंट कंपोनेंट एनालिसिस (ICA), और लीनियर डिस्क्रिमिनेंट एनालिसिस (LDA) जैसी विधियों के माध्यम से आयामीता में कमी, और महत्व स्कोर और सहसंबंध मैट्रिक्स के आधार पर प्रासंगिक फीचरों का चयन शामिल है।
फीचर महत्व में भिन्न होते हैं; यहाँ तक कि अपेक्षाकृत महत्वहीन फीचर भी मॉडल में योगदान कर सकते हैं। फीचर चयन ओवरफिटिंग को रोकने के लिए फीचरों की संख्या कम कर सकता है। फीचर विस्फोट तब होता है जब पहचाने गए फीचरों की संख्या प्रभावी मॉडल अनुमान के लिए बहुत अधिक होती है, जो अक्सर फीचर टेम्पलेट या फीचर संयोजनों के कारण होता है जिन्हें रैखिक प्रणाली द्वारा प्रस्तुत नहीं किया जा सकता। इसे नियमितीकरण, कर्नेल विधियों और फीचर चयन के माध्यम से सीमित किया जा सकता है।
फीचर टेम्पलेट
फीचर टेम्पलेट फीचरों के अमूर्त विनिर्देश हैं जिनका उपयोग प्रशिक्षण और परीक्षण सेट में प्रत्येक उदाहरण से फीचरों के समुच्चय को स्वचालित रूप से भरने के लिए किया जाता है। वे बड़ी संख्या में विशिष्ट फीचरों के स्वचालित उत्पादन की अनुमति देते हैं, जिससे मैनुअल कोडिंग प्रयास कम होता है।
स्वचालन
फीचर इंजीनियरिंग का स्वचालन 1990 के दशक से एक शोध विषय रहा है, और 2016 से वाणिज्यिक मशीन लर्निंग सॉफ्टवेयर इसे शामिल कर रहा है। शैक्षणिक साहित्य इसे दो मुख्य प्रकारों में विभाजित करता है: मल्टी-रिलेशनल डिसीज़न ट्री लर्निंग (MRDTL) और डीप फीचर सिंथेसिस।
मल्टी-रिलेशनल डिसीज़न ट्री लर्निंग (MRDTL)
MRDTL पारंपरिक डिसीज़न ट्री विधियों को रिलेशनल डेटाबेस तक विस्तारित करता है, जो तालिकाओं में जटिल डेटा संबंधों को संभालता है। यह चयन ग्राफ़ को निर्णय नोड के रूप में उपयोग करता है, जिन्हें समाप्ति मानदंड तक व्यवस्थित रूप से परिष्कृत किया जाता है। अधिकांश कार्यान्वयन रिलेशनल डेटाबेस पर आधारित होते हैं, जिससे अनावश्यक संचालन होते हैं जिन्हें टुपल आईडी प्रसार जैसी तकनीकों का उपयोग करके कम किया जा सकता है।
ओपन-सोर्स कार्यान्वयन
कई ओपन-सोर्स लाइब्रेरी रिलेशनल डेटा और समय श्रृंखला पर फीचर इंजीनियरिंग को स्वचालित करती हैं:
- featuretools: समय श्रृंखला और रिलेशनल डेटा को फीचर मैट्रिक्स में बदलने के लिए पायथन लाइब्रेरी।
- MCMD: कई डेटासेट के संयुक्त क्लस्टरिंग के लिए ओपन-सोर्स एल्गोरिदम।
- OneBM (वन-बटन मशीन): रिलेशनल डेटा पर फीचर रूपांतरण और चयन को जोड़ता है, डेटा अन्वेषण समय कम करता है।
- getML समुदाय: पायथन इंटरफ़ेस के साथ C/C++ टूल, tsflex, tsfresh, tsfel, featuretools, या kats से कम से कम 60 गुना तेज़।
- tsfresh: समय श्रृंखला फीचर निष्कर्षण के लिए पायथन लाइब्रेरी, परिकल्पना परीक्षण के माध्यम से फीचर गुणवत्ता का मूल्यांकन करती है।
- tsflex: समय श्रृंखला फीचर के लिए पायथन लाइब्रेरी, tsfresh, seglearn, या tsfel से तेज़ और अधिक मेमोरी कुशल।
- seglearn: scikit-learn के लिए बहु-चर, अनुक्रमिक समय श्रृंखला डेटा का विस्तार।
- tsfel: समय श्रृंखला फीचर निष्कर्षण के लिए पायथन पैकेज।
- kats: समय श्रृंखला विश्लेषण के लिए पायथन टूलकिट।
डीप फीचर सिंथेसिस
डीप फीचर सिंथेसिस (DFS) एल्गोरिदम ने एक प्रतियोगिता में 906 मानव टीमों में से 615 को हराया, जो इसकी प्रभावशीलता को प्रदर्शित करता है।
फीचर स्टोर
फीचर स्टोर एक केंद्रीय भंडार है जहाँ फीचरों को मॉडल प्रशिक्षण या भविष्यवाणी करने के स्पष्ट उद्देश्य के लिए संग्रहीत और व्यवस्थित किया जाता है। यह डेटा वैज्ञानिकों को फीचरों के समूह बनाने या अद्यतन करने की अनुमति देता है, जिससे विभिन्न मॉडलों और अनुप्रयोगों में स्थिरता और पुन:उपयोगिता सुनिश्चित होती है।
यह भी देखें
- मशीन लर्निंग
- कृत्रिम बुद्धिमत्ता
- डीप लर्निंग
- तंत्रिका नेटवर्क
- बड़ा भाषा मॉडल
- ट्रांसफॉर्मर
- जनरेटिव एआई
- ओपनएआई
- एंथ्रोपिक
- गूगल डीपमाइंड
- अमेज़न वेब सर्विसेज़
- एज़्योर
- गूगल क्लाउड
- ओरेकल क्लाउड
- कोरवीव
- सेरेब्रास
- ग्रॉक
- सांबा नोवा
- ग्राफकोर
- ज़ेरॉक्स पार्क
- एमआईटी सीएसएआईएल
- स्टैनफोर्ड एआई लैब
- टोरंटो विश्वविद्यालय
- कार्नेगी मेलन विश्वविद्यालय
- बर्कले एआई रिसर्च
- ऑक्सफोर्ड विश्वविद्यालय
- थॉमस डाइटेरिच
- माइकल जॉर्डन
- डैफने कोलर
- अनिमा आनंदकुमार
- सैमी बेंगियो
- जोशुआ टेनेनबाम
- ब्रेंडन लेक
- मेलानी मिशेल
- आरोन कूरविल
- अलेक्ज़ेंडर मैड्री
- एलेक्सी एफ्रोस
- अली रहीमी
- बर्नार्ड विड्रो
- क्रिस बिशप
- क्रिस्टोफर बिशप
- क्रेग बाउटिलियर
- एलेन रिच
- कार्लोस गेस्ट्रिन
- डैफने लियोन
- डेविड हा
- डेविड विंगर
- दीपक कुमार
- ड्रू पकेट
- एलोन रेशेफ
- फ्रेडी सुलिट
- जैकब उस्ज़कोरिट
- लुकाज़ कैसर
- निकी परमार
- बैरेट ज़ोफ
- मार्क चेन
- ब्रैड लाइटकैप
- जैकब स्टीनहार्ड्ट
- डेविड कापलान
- रयान लोव
- जैक क्लार्क
- शान कार्टर
- डेविड लुआन
- चेन वू
- आशीष कुमार
- कैरन सिमोनियन
- कोरे कावुक्कुओग्लू
- एलन पेर्लिस
- एंड्रयू लॉयड ब्राउन
- अनी भट्टाचार्य
- अन्ना पैटरसन
- अन्ना रिटर
- अनुभव सिन्हा
- अराकावा रयोटा
- अर्का दत्ता
- आर्थर फ्रांज़
- बेन गोएर्टज़ेल
- ब्रायन चेउंग
- ब्रायन क्रिस्चियन
- ब्रायन लिली व्हाइट
- कैल्वो राफेल
- कैथरीन फ्लिक
- चाड मिर्किन
- चिन-येन चिउ
- क्रेग कु
- डैफना शेरोन
- डेविड फ्रोइट्ज़हेम
- डेविड मार्टिन
- दीपक कुमार
- ड्रू पकेट
- एलेन रिच
- एलोन रेशेफ