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.
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.
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.
Datarensning innebär att felaktiga, duplicerade eller inkonsekventa poster i datamängder upptäcks och rättas. Typiska steg är att enhetliggöra stavningar och datumformat, ta bort överflödiga mellanslag och slå ihop dubbletter som ”Svensson AB” och ”Svensson Aktiebolag”. Rena data är en förutsättning för tillförlitliga analyser, utskick och AI-applikationer.
Maskininlärning är en gren av artificiell intelligens där datorer härleder mönster ur data i stället för att varje regel programmeras explicit. Beroende på uppgift lär sig modellerna av annoterade exempel (övervakad inlärning), av oannoterade data (oövervakad inlärning) eller genom belöningar (förstärkningsinlärning). Tillämpningarna sträcker sig från skräppostfilter och efterfrågeprognoser till produktrekommendationer. Kvaliteten beror starkt på mängden och kvaliteten på träningsdata.
