Tanım
Özellik Mühendisliği, İngilizce Feature Engineering kavramının Türkçe karşılığıdır. Ham verileri makine öğrenimi modellerinin daha iyi öğrenmesini sağlayacak anlamlı, kullanışlı ve temsil gücü yüksek özelliklere dönüştürme sürecidir.
Bu süreçte veri temizlenir, dönüştürülür, birleştirilir, özetlenir veya yeni değişkenler üretilir. Örneğin “son satın alma tarihi” verisinden “son satın almadan bu yana geçen gün sayısı” özelliği türetilebilir.
Özellik mühendisliği, model performansını ciddi biçimde etkileyebilir. İyi tasarlanmış özellikler, bazen karmaşık modelden daha fazla değer üretir.
Kökeni
Feature Engineering, makine öğrenimi modellerinin ham veriyi her zaman doğrudan etkili biçimde kullanamamasından doğmuştur. Modellerin öğrenebilmesi için veri çoğu zaman iş problemiyle anlamlı hale getirilmelidir.
Geleneksel makine öğrenimi projelerinde özellik mühendisliği veri bilimcinin en kritik uzmanlık alanlarından biridir. Domain bilgisi, hangi sinyallerin hedef değişkenle ilişkili olabileceğini anlamaya yardımcı olur.
Deep learning ve representation learning bazı özellikleri otomatik öğrenebilse de iş verisi, pazarlama analitiği ve tabular data problemlerinde feature engineering hâlâ çok önemlidir.
Nerelerde Kullanılır?
Özellik mühendisliği; churn prediction, lead scoring, fraud detection, recommendation system, demand forecasting, customer segmentation ve reklam performansı modellerinde kullanılır.
Bir churn modelinde kullanıcıların son 7 gün aktivite sayısı, son 30 gün kullanım düşüşü, destek talebi sıklığı ve ödeme gecikmesi gibi türetilmiş özellikler oluşturulabilir.
Growth analitiğinde özellik mühendisliği, kullanıcı niyetini, değerini ve davranış değişimini daha iyi temsil etmek için kullanılır. Ham event verisi doğrudan yeterli olmayabilir.
Örnek Kullanım
Bir e-ticaret modelinde yalnızca toplam sipariş sayısı yerine, son 90 gündeki sipariş sıklığı ve ortalama kategori çeşitliliği gibi özellikler türetilebilir.
Bir data scientist, “Modeli değiştirmeden önce feature engineering tarafında daha güçlü davranış sinyalleri üretmeliyiz” diyebilir.
Karıştırılan Kavramlar
- Özellik Mühendisliği ve Özellik Seçimi: Özellik mühendisliği yeni veya dönüştürülmüş özellik üretir. Özellik seçimi hangi özelliklerin kullanılacağını belirler.
- Özellik Mühendisliği ve Veri Temizleme: Veri temizleme hatalı veriyi düzeltir. Özellik mühendisliği veriden model için anlamlı değişkenler üretir.
- Özellik Mühendisliği ve Model Training: Model Training modeli eğitir. Özellik mühendisliği eğitime verilecek değişkenleri hazırlar.
- Özellik Mühendisliği ve Feature Store: Feature Store özellikleri merkezi saklar. Özellik mühendisliği bu özellikleri oluşturma sürecidir.
İlgili Terimler
- Feature Engineering
- Feature
- Feature Selection
- Feature Store
- Machine Learning
- Data Cleaning
- Model Training
- Dataset
- Predictive Analytics
Büyüme Mimarisi Notu
Özellik Mühendisliği, büyüme mimarisinde ham davranış verisini tahmin gücüne dönüştürür. Kullanıcının değerini veya riskini anlamak için doğru sinyaller tasarlanmalıdır.
En iyi growth modelleri yalnızca algoritma seçimiyle değil, iş bağlamını temsil eden güçlü özelliklerle başarılı olur. Veri bilimi ve domain bilgisi birlikte çalışmalıdır.