Glossario

Feature engineering ed estrazione delle feature

Che cos’è Feature engineering ed estrazione delle feature?

Il feature engineering consiste nel selezionare, trasformare e creare caratteristiche (feature) a partire dai dati grezzi, perché un algoritmo di apprendimento riconosca meglio gli schemi. L’estrazione delle feature ricava valori compatti e significativi da dati complessi come testi, immagini o segnali. Esempio: dai singoli acquisti nascono feature come «giorni dall’ultimo acquisto» o «valore medio dell’ordine», che possono migliorare sensibilmente una previsione di abbandono dei clienti.

Temi

Machine learning
Preparazione dei dati
Feature

Prova KI.ordo

Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.

Avvia demo

← Tutti i termini

Termini correlati

Estrazione delle caratteristiche

L’estrazione delle caratteristiche (feature extraction) consiste nel ricavare dai dati grezzi valori significativi che un modello possa elaborare in modo efficiente. Invece di milioni di singoli pixel, un sistema usa ad esempio bordi, colori o forme; dai testi si ottengono pesi delle parole o vettori di embedding. Buone caratteristiche riducono la quantità di dati, abbassano il carico di calcolo e spesso migliorano l’accuratezza. È una parte centrale del feature engineering.

preparazione dati
feature engineering
+1

Riduzione della dimensionalità

La riduzione della dimensionalità diminuisce il numero di caratteristiche di un insieme di dati senza perdere le informazioni essenziali. Metodi noti sono l'analisi delle componenti principali (PCA) e t-SNE e UMAP, spesso usati per la visualizzazione. Accelera i calcoli, riduce il rischio di overfitting e rende i dati più leggibili, ad esempio quando centinaia di attributi dei clienti vengono riportati su una mappa bidimensionale in cui i clienti simili sono vicini.

analisi dei dati
PCA
+1

Pulizia dei dati

La pulizia dei dati consiste nell'individuare e correggere voci errate, duplicate o incoerenti in un insieme di dati. Passaggi tipici sono uniformare grafie e formati di data, eliminare spazi superflui e unire duplicati come «Rossi S.r.l.» e «Rossi Srl». Dati puliti sono il presupposto per analisi affidabili, invii di massa e applicazioni di IA.

qualità dei dati
duplicati
+1

Modello

Apprendimento automatico

L’apprendimento automatico (machine learning) è un ambito dell’intelligenza artificiale in cui i computer ricavano schemi dai dati invece di ricevere ogni regola programmata in modo esplicito. A seconda del compito, i modelli imparano da esempi etichettati (supervisionato), da dati non etichettati (non supervisionato) o tramite ricompense (per rinforzo). Le applicazioni vanno dai filtri antispam alle previsioni della domanda fino ai suggerimenti di prodotto. La qualità dipende molto da quantità e qualità dei dati di addestramento.

fondamenti
IA
+1