Dimensionsreduktion minskar antalet variabler i en datamängd utan att den väsentliga informationen går förlorad. Välkända metoder är principalkomponentanalys (PCA) samt t-SNE och UMAP, som ofta används för visualisering. Den snabbar upp beräkningarna, minskar risken för överanpassning och gör data lättare att förstå – till exempel när hundratals kundattribut avbildas på ett tvådimensionellt diagram där liknande kunder hamnar nära varandra.
Särdragsextraktion innebär att man tar fram meningsfulla värden ur rådata så att en modell kan bearbeta dem effektivt. I stället för miljontals enskilda pixlar kan ett system använda kanter, färger eller former; texter omvandlas till ordvikter eller inbäddningsvektorer. Bra särdrag minskar datamängden, sänker beräkningsbehovet och förbättrar ofta noggrannheten. Särdragsextraktion är en central del av feature engineering.
Klustring är en metod för oövervakad inlärning som delar in datapunkter i grupper utifrån deras likhet, utan fördefinierade kategorier. Den avslöjar mönster som ingen har namngett tidigare – till exempel kundsegment med liknande köpbeteende. För texter hjälper klustring till att sortera hundratals kundförfrågningar i ämnen som leverans, fakturering eller klagomål och visar var tyngdpunkten ligger.
Överanpassning (overfitting) uppstår när en modell memorerar träningsdata, inklusive slumpmässiga egenheter och brus, i stället för att fånga allmängiltiga mönster. Den ser då mycket exakt ut på bekanta data men presterar dåligt på nya. Ett stort gap mellan träningsfel och testfel är ett typiskt tecken. Motåtgärder är fler eller mer varierade data, enklare modeller, regularisering, dropout och korsvalidering.
Feature engineering innebär att välja ut, omvandla och skapa attribut (features) från rådata så att en inlärningsalgoritm lättare kan upptäcka mönster. Feature-extraktion härleder kompakta, meningsfulla värden ur komplexa data som text, bilder eller signaler. Exempel: enskilda inköpsposter görs om till features som ”dagar sedan senaste köp” eller ”genomsnittligt ordervärde”, vilket märkbart kan förbättra en prognos över kundbortfall.
