Dimensiju samazināšana mazina datu kopas pazīmju skaitu, nezaudējot būtisko informāciju. Plaši pazīstamas metodes ir galveno komponentu analīze (PCA), kā arī t-SNE un UMAP, ko bieži izmanto vizualizācijai. Tā paātrina aprēķinus, mazina pārmācīšanās risku un padara datus vieglāk aptveramus — piemēram, ja simtiem klientu atribūtu tiek attēloti divdimensiju diagrammā, kurā līdzīgi klienti atrodas tuvu cits citam.
Pazīmju izgūšana ir process, kurā no neapstrādātiem datiem iegūst jēgpilnas vērtības, lai modelis tās varētu efektīvi apstrādāt. Miljonu atsevišķu pikseļu vietā sistēma var izmantot malas, krāsas vai formas; tekstus pārveido par vārdu svariem vai iegultņu vektoriem. Labas pazīmes samazina datu apjomu, mazina skaitļošanas slodzi un bieži uzlabo precizitāti. Pazīmju izgūšana ir pazīmju inženierijas būtiska sastāvdaļa.
Klasterizācija ir nepārraudzītas mācīšanās metode, kas sadala datu punktus grupās pēc to līdzības bez iepriekš noteiktām kategorijām. Tā atklāj modeļus, kurus neviens iepriekš nav nosaucis, – piemēram, klientu segmentus ar līdzīgu pirkšanas uzvedību. Tekstu gadījumā klasterizācija palīdz sakārtot simtiem klientu pieprasījumu tēmās, piemēram, piegāde, rēķini vai sūdzības, un parāda, kur ir uzsvars.
Pārmērīga pielāgošanās datiem rodas, kad modelis iegaumē apmācības datus, ieskaitot nejaušas īpatnības un troksni, nevis apgūst vispārīgi derīgas likumsakarības. Tad tas šķiet ļoti precīzs ar pazīstamiem datiem, bet slikti darbojas ar jauniem. Tipiska pazīme ir liela atšķirība starp apmācības un testa kļūdu. Pretlīdzekļi ir vairāk vai daudzveidīgāki dati, vienkāršāki modeļi, regularizācija, dropout un krusteniskā validācija.
Pazīmju inženierija nozīmē atribūtu (pazīmju) atlasi, pārveidošanu un izveidi no neapstrādātiem datiem, lai mācīšanās algoritms varētu vieglāk atklāt likumsakarības. Pazīmju izgūšana no sarežģītiem datiem, piemēram, teksta, attēliem vai signāliem, iegūst kompaktas, jēgpilnas vērtības. Piemērs: atsevišķi pirkumu ieraksti tiek pārveidoti pazīmēs, piemēram, „dienas kopš pēdējā pirkuma” vai „vidējā pasūtījuma vērtība”, kas var manāmi uzlabot klientu aiziešanas prognozi.
