Glossar

Feature Engineering und Extraktion

Was ist Feature Engineering und Extraktion?

Feature Engineering bezeichnet das Auswählen, Umformen und Neubilden von Merkmalen (Features) aus Rohdaten, damit ein Lernverfahren Muster besser erkennt. Bei der Feature-Extraktion werden aus komplexen Daten wie Texten, Bildern oder Signalen kompakte, aussagekräftige Kennwerte gewonnen. Beispiel: Aus einzelnen Kaufdaten entstehen Merkmale wie „Tage seit letztem Kauf“ oder „durchschnittlicher Bestellwert“, die eine Kündigungsprognose deutlich verbessern können.

Themen

Maschinelles Lernen
Datenaufbereitung
Merkmale

KI.ordo ausprobieren

Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.

Demo starten

← Alle Begriffe

Verwandte Begriffe

Merkmals-Extraktion

Merkmals-Extraktion (Feature Extraction) bezeichnet das Gewinnen aussagekräftiger Kennwerte aus Rohdaten, damit ein Modell sie effizient verarbeiten kann. Statt Millionen einzelner Bildpunkte nutzt ein System etwa Kanten, Farben oder Formen; aus Texten werden Wortgewichte oder Einbettungsvektoren erzeugt. Gute Merkmale verringern die Datenmenge, senken Rechenaufwand und verbessern oft die Genauigkeit. Sie ist ein zentraler Teil des Feature Engineering.

Datenaufbereitung
Feature Engineering
+1

Dimensionsreduktion

Dimensionsreduktion verringert die Zahl der Merkmale eines Datensatzes, ohne die wesentlichen Informationen zu verlieren. Bekannte Verfahren sind die Hauptkomponentenanalyse (PCA) sowie t-SNE und UMAP, die oft zur Visualisierung dienen. Das beschleunigt Berechnungen, senkt das Risiko der Überanpassung und macht Daten anschaulich – etwa wenn Hunderte Kundenmerkmale auf eine zweidimensionale Karte gebracht werden, auf der ähnliche Kunden nah beieinanderliegen.

Datenanalyse
PCA
+1

Datenbereinigung

Datenbereinigung bezeichnet das Erkennen und Korrigieren fehlerhafter, doppelter oder uneinheitlicher Einträge in Datenbeständen. Typische Schritte sind das Vereinheitlichen von Schreibweisen und Datumsformaten, das Entfernen überflüssiger Leerzeichen und das Zusammenführen von Dubletten wie „Müller GmbH“ und „Mueller GmbH“. Saubere Daten sind Voraussetzung für verlässliche Auswertungen, Mailings und KI-Anwendungen.

Datenqualität
Dubletten
+1

Vorlage

Maschinelles Lernen

Maschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz, bei dem Computer Muster aus Daten ableiten, statt jede Regel ausdrücklich programmiert zu bekommen. Je nach Aufgabe lernen Modelle aus beschrifteten Beispielen (überwacht), aus unbeschrifteten Daten (unüberwacht) oder durch Belohnung (bestärkend). Anwendungen reichen von Spamfiltern über Nachfrageprognosen bis zu Produktempfehlungen. Die Qualität hängt stark von Menge und Güte der Trainingsdaten ab.

Grundlagen
KI
+1