Dimensionsreduktion nedbringer antallet af features i et datasæt uden at miste den væsentlige information. Kendte metoder er principalkomponentanalyse (PCA) samt t-SNE og UMAP, som ofte bruges til visualisering. Det fremskynder beregninger, mindsker risikoen for overfitting og gør data lettere at overskue – f.eks. når hundredvis af kundeegenskaber afbildes på et todimensionalt diagram, hvor ensartede kunder ligger tæt på hinanden.
Feature-udtræk er processen, hvor man udleder meningsfulde værdier af rådata, så en model kan behandle dem effektivt. I stedet for millioner af enkeltpixel kan et system bruge kanter, farver eller former; tekster omdannes til ordvægte eller embedding-vektorer. Gode features reducerer datamængden, mindsker beregningsindsatsen og forbedrer ofte nøjagtigheden. Feature-udtræk er en central del af feature engineering.
Klyngeanalyse (clustering) er en metode inden for unsupervised learning, der inddeler datapunkter i grupper ud fra deres lighed uden foruddefinerede kategorier. Den afslører mønstre, som ingen har sat navn på før – for eksempel kundesegmenter med lignende købsadfærd. Ved tekster hjælper klyngeanalyse med at sortere hundredvis af kundehenvendelser i emner som levering, fakturering eller klager og viser, hvor tyngdepunktet ligger.
Overfitting opstår, når en model lærer træningsdataene udenad, inklusive tilfældige særheder og støj, i stedet for at fange generelt gyldige mønstre. Den virker så meget nøjagtig på kendte data, men klarer sig dårligt på nye data. En stor forskel mellem trænings- og testfejl er et typisk tegn. Modforanstaltninger er flere eller mere varierede data, enklere modeller, regularisering, dropout og krydsvalidering.
Feature engineering betyder at udvælge, omdanne og skabe egenskaber (features) ud fra rådata, så en læringsalgoritme lettere kan opdage mønstre. Feature-udtræk udleder kompakte, meningsfulde værdier af komplekse data som tekst, billeder eller signaler. Eksempel: Enkelte købsposter omdannes til features som 'dage siden sidste køb' eller 'gennemsnitlig ordreværdi', hvilket kan forbedre en prognose for kundeafgang mærkbart.
