Bonne réponse
- BCréation et transformation de variables d'entrée à l'aide de la connaissance du domaine pour améliorer les performances du modèle
Explication
L'ingénierie des caractéristiques est le processus de création de nouvelles variables d'entrée ou de transformation des variables existantes à l'aide de la connaissance du domaine pour aider les modèles d'apprentissage automatique à mieux capturer les motifs dans les données. Elle a un impact direct sur les performances du modèle en rendant les relations sous-jacentes plus explicites, en réduisant le bruit et en permettant aux algorithmes d'apprendre plus efficacement. Dans Azure Machine Learning, cela se fait souvent par le biais d'outils d'ingénierie des caractéristiques automatisés ou de scripts Python personnalisés au sein de pipelines.
Pour aller plus loin
L'ingénierie des caractéristiques est la pratique consistant à utiliser la connaissance du domaine pour sélectionner, créer et transformer des variables d'entrée brutes en représentations qui facilitent l'apprentissage des motifs par un modèle. Elle comprend des techniques telles que l'encodage one-hot des variables catégorielles, la mise en classes (binning) des valeurs continues, la normalisation ou la standardisation des plages numériques, l'extraction de parties de dates telles que le jour de la semaine, le calcul de ratios ou d'agrégats, et la gestion des valeurs manquantes. La qualité et la pertinence des caractéristiques influencent souvent la précision du modèle plus que le choix de l'algorithme, car un modèle ne peut apprendre que du signal présent dans ses entrées. Un comportement subtil est la fuite de données (data leakage), où une caractéristique dérivée à l'aide d'informations futures gonfle la précision de validation mais échoue en production. Un scénario réaliste est un modèle de désabonnement (churn) où les horodatages bruts de la dernière connexion sont convertis en jours depuis la dernière connexion, une caractéristique qui capture directement l'engagement et améliore les performances prédictives.
À propos de ces questions d'entraînement
Cette question fait partie des questions d'entraînement AI-900 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.
Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.