[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -1,128 +1,243 @@
|
||||
---
|
||||
id: wiki-2026-0508-feature-engineering
|
||||
title: Feature Engineering
|
||||
category: AI_and_ML
|
||||
status: needs_review
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-FEG-001]
|
||||
aliases: [FE, feature engineering, target encoding, feature crossing, feature store]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: [auto-reinforced, feature-engineering, feature-extraction, data-processing, ml-pipeline]
|
||||
confidence_score: 0.98
|
||||
verification_status: applied
|
||||
tags: [machine-learning, feature-engineering, preprocessing, target-encoding, feature-store]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-04
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: Python
|
||||
framework: pandas / scikit-learn / Featuretools / Feast
|
||||
---
|
||||
|
||||
# [[Feature Engineering|Feature Engineering]]
|
||||
# Feature Engineering
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "데이터의 재구성: 원본 데이터에서 머신러닝 알고리즘이 패턴을 더 잘 파합할 수 있도록 유용한 특징(Feature)을 선택, 변형, 생성하여 모델의 성능을 극대화하는 과정."
|
||||
## 매 한 줄
|
||||
> **"매 raw data 의 model-ready feature 의 transform"**. 매 numerical scaling, 매 categorical encoding, 매 datetime, 매 text, 매 interaction. 매 modern: 매 deep learning 의 자동 학습 BUT 매 tabular 의 still 매 critical. 매 feature store (Feast) for production.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
특징 공학(Feature Engineering)은 원시 데이터(Raw Data)를 머신러닝 모델에 적합한 형태의 입력 변수로 변환하는 작업으로, 모델의 정확도에 결정적인 영향을 미칩니다.
|
||||
## 매 핵심
|
||||
|
||||
1. **주요 프로세스**:
|
||||
* **[[Feature Extraction|Feature Extraction (특징 추출)]]**: 고차원의 원본 데이터에서 가장 중요한 정보를 보존하면서 차원을 축소하거나 새로운 속성을 만들어냅니다. (예: 텍스트에서 [[Vector Embedding|임베딩]] 추출)
|
||||
* **Feature Selection (특징 선택)**: 수많은 특징 중 모델 성능에 기여도가 높은 유의미한 변수만을 골라냅니다.
|
||||
* **Feature Transformation (특징 변환)**: 데이터의 스케일을 조정하거나 분포를 정규화합니다.
|
||||
### 매 numerical
|
||||
- **Scaling**: standard, minmax, robust.
|
||||
- **Power**: log, Box-Cox, Yeo-Johnson.
|
||||
- **Bin / discretize**: equal-width, quantile.
|
||||
- **Polynomial / interaction**.
|
||||
|
||||
2. **데이터 인코딩 기법**:
|
||||
* **[[One-hot Encoding|One-hot Encoding (원-핫 인코딩)]]**: 범주형 데이터를 0과 1로 구성된 벡터로 변환합니다. 각 카테고리가 독립적일 때 유용하지만 차원이 급격히 늘어나는 단점이 있습니다.
|
||||
* **Label Encoding**: 범주형 데이터를 단순 숫자로 변환합니다.
|
||||
### 매 categorical
|
||||
- **One-hot**: 매 low cardinality.
|
||||
- **Label / ordinal**: 매 ordered.
|
||||
- **Target encoding** (mean): 매 high cardinality + leakage care.
|
||||
- **Hashing trick**: 매 fixed dim.
|
||||
- **Embedding**: 매 NN.
|
||||
|
||||
3. **검색 시스템에서의 활용**:
|
||||
* 사용자 행동 데이터(클릭률, 체류 시간)를 특징으로 변환하여 [[Learning to Rank (LTR)|LTR]] 모델의 입력값으로 사용합니다.
|
||||
### 매 datetime
|
||||
- **Cyclic** (sin/cos for hour/day).
|
||||
- **Lag features** (time series).
|
||||
- **Rolling stats**.
|
||||
- **Holiday / weekend**.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
* **데이터 오염의 위험**: 오류가 있는 데이터 파이프라인에서 추출된 특징은 실제를 잘못 대변하며, 이는 모델 전체의 신뢰도를 무너뜨립니다.
|
||||
* **차원의 저주**: 너무 많은 특징을 추가하면 연산 비용이 급증하고 모델이 복잡해져 성능이 저하될 수 있습니다. (단계적 확장이 권장됩니다.)
|
||||
* **도메인 지식 의존성**: 효과적인 특징을 설계하기 위해서는 해당 데이터의 비즈니스적 맥락(도메인 지식)이 깊게 요구됩니다.
|
||||
### 매 text
|
||||
- **Bag of words / TF-IDF**.
|
||||
- **N-grams**.
|
||||
- **Embeddings** (BERT, sentence-transformers).
|
||||
- **LLM features**.
|
||||
|
||||
## 💻 실전 구현 코드 (Boilerplate)
|
||||
`Pandas`와 `Scikit-learn`을 활용한 기본적인 원-핫 인코딩 및 스케일링 예시입니다.
|
||||
### 매 응용
|
||||
1. **Tabular ML**: 매 critical.
|
||||
2. **Time series**: 매 lag / rolling.
|
||||
3. **NLP**: 매 embed.
|
||||
4. **Graph**: 매 graph features (node degree, ...).
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### Standard scale
|
||||
```python
|
||||
import pandas as pd
|
||||
from sklearn.preprocessing import OneHotEncoder, StandardScaler
|
||||
|
||||
# 1. 샘플 데이터 (범주형 '도시', 수치형 '인구')
|
||||
df = pd.DataFrame({
|
||||
'city': ['Seoul', 'Busan', 'Incheon', 'Seoul'],
|
||||
'population': [9400, 3300, 2900, 9500]
|
||||
})
|
||||
|
||||
# 2. 원-핫 인코딩 적용
|
||||
encoder = OneHotEncoder(sparse_output=False)
|
||||
city_encoded = encoder.fit_transform(df[['city']])
|
||||
city_df = pd.DataFrame(city_encoded, columns=encoder.get_feature_names_out(['city']))
|
||||
|
||||
# 3. 수치 데이터 스케일링 (표준화)
|
||||
scaler = StandardScaler()
|
||||
df['pop_scaled'] = scaler.fit_transform(df[['population']])
|
||||
|
||||
# 4. 결합된 특징 데이터프레임
|
||||
final_features = pd.concat([city_df, df['pop_scaled']], axis=1)
|
||||
print(final_features)
|
||||
from sklearn.preprocessing import StandardScaler
|
||||
scaler = StandardScaler().fit(X_train)
|
||||
X_scaled = scaler.transform(X_test)
|
||||
```
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
* **관련 개념**: [[Machine Learning (Machine Learning)|Machine Learning]], [[Natural Language Processing (NLP)|NLP]]
|
||||
* **기술적 도구**: [[One-hot Encoding|One-hot Encoding]], [[Vector Embedding|Vector Embedding]]
|
||||
* **연결 알고리즘**: [[Learning to Rank (LTR)|Learning to Rank]]
|
||||
### Cyclic datetime
|
||||
```python
|
||||
import numpy as np
|
||||
def encode_cyclic(value, max_value):
|
||||
return np.sin(2 * np.pi * value / max_value), np.cos(2 * np.pi * value / max_value)
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-04*
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
df['hour_sin'], df['hour_cos'] = encode_cyclic(df.hour, 24)
|
||||
df['dow_sin'], df['dow_cos'] = encode_cyclic(df.day_of_week, 7)
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### Target encoding (with smoothing)
|
||||
```python
|
||||
def target_encode(train, test, col, target, smoothing=10):
|
||||
global_mean = train[target].mean()
|
||||
agg = train.groupby(col)[target].agg(['mean', 'count'])
|
||||
smoothed = (agg['count'] * agg['mean'] + smoothing * global_mean) / (agg['count'] + smoothing)
|
||||
return test[col].map(smoothed).fillna(global_mean)
|
||||
```
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### Out-of-fold target encoding (no leakage)
|
||||
```python
|
||||
from sklearn.model_selection import KFold
|
||||
def oof_target_encode(X, y, col, n_folds=5):
|
||||
enc = np.zeros(len(X))
|
||||
for tr_idx, val_idx in KFold(n_folds, shuffle=True).split(X):
|
||||
means = X.iloc[tr_idx].groupby(col).apply(lambda g: y.iloc[g.index].mean())
|
||||
enc[val_idx] = X.iloc[val_idx][col].map(means).fillna(y.iloc[tr_idx].mean())
|
||||
return enc
|
||||
```
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### Lag features (time series)
|
||||
```python
|
||||
def lag_features(df, target_col, lags=[1, 7, 30]):
|
||||
for lag in lags:
|
||||
df[f'{target_col}_lag{lag}'] = df[target_col].shift(lag)
|
||||
return df
|
||||
```
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
### Rolling stats
|
||||
```python
|
||||
df['amt_roll_mean_7'] = df.groupby('user_id')['amount'].transform(
|
||||
lambda s: s.rolling(7, min_periods=1).mean()
|
||||
)
|
||||
df['amt_roll_std_7'] = df.groupby('user_id')['amount'].transform(
|
||||
lambda s: s.rolling(7, min_periods=1).std()
|
||||
)
|
||||
```
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
### Aggregation per group
|
||||
```python
|
||||
agg = df.groupby('user_id')['amount'].agg(['mean', 'std', 'max', 'count']).reset_index()
|
||||
df = df.merge(agg, on='user_id', suffixes=('', '_agg'))
|
||||
```
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
### Interaction (cross)
|
||||
```python
|
||||
from sklearn.preprocessing import PolynomialFeatures
|
||||
poly = PolynomialFeatures(degree=2, interaction_only=True, include_bias=False)
|
||||
X_inter = poly.fit_transform(X[['age', 'income']])
|
||||
```
|
||||
|
||||
### Hashing trick (high-card)
|
||||
```python
|
||||
from sklearn.feature_extraction import FeatureHasher
|
||||
h = FeatureHasher(n_features=2**18, input_type='string')
|
||||
X_hashed = h.transform([str(row.user_id) for _, row in df.iterrows()])
|
||||
```
|
||||
|
||||
### Featuretools (automated)
|
||||
```python
|
||||
import featuretools as ft
|
||||
es = ft.EntitySet('shop')
|
||||
es.add_dataframe('orders', df=orders_df, index='order_id', time_index='date')
|
||||
es.add_dataframe('users', df=users_df, index='user_id')
|
||||
es.add_relationship('users', 'user_id', 'orders', 'user_id')
|
||||
|
||||
features, defs = ft.dfs(entityset=es, target_dataframe_name='users',
|
||||
agg_primitives=['mean', 'sum', 'count'])
|
||||
```
|
||||
|
||||
### Feast feature store (production)
|
||||
```python
|
||||
from feast import FeatureStore, Entity, FeatureView, Field
|
||||
from feast.types import Float32, Int64
|
||||
|
||||
user = Entity(name='user', value_type=Int64)
|
||||
user_features = FeatureView(
|
||||
name='user_features',
|
||||
entities=[user],
|
||||
ttl=timedelta(days=1),
|
||||
schema=[Field(name='ltv', dtype=Float32), Field(name='tenure', dtype=Int64)],
|
||||
source=BigQuerySource(table='proj.user_features'),
|
||||
)
|
||||
|
||||
store = FeatureStore(repo_path='.')
|
||||
features = store.get_online_features(features=['user_features:ltv'], entity_rows=[{'user': 1}])
|
||||
```
|
||||
|
||||
### LLM-as-feature
|
||||
```python
|
||||
def llm_sentiment(text, llm):
|
||||
return llm.classify(text, ['positive', 'neutral', 'negative'])
|
||||
|
||||
df['llm_sentiment'] = df['review'].apply(lambda t: llm_sentiment(t, llm))
|
||||
```
|
||||
|
||||
### Embedding feature
|
||||
```python
|
||||
from sentence_transformers import SentenceTransformer
|
||||
model = SentenceTransformer('all-MiniLM-L6-v2')
|
||||
df['title_emb'] = list(model.encode(df['title'].tolist()))
|
||||
```
|
||||
|
||||
### Pipeline (sklearn)
|
||||
```python
|
||||
from sklearn.pipeline import Pipeline
|
||||
from sklearn.compose import ColumnTransformer
|
||||
preprocessor = ColumnTransformer([
|
||||
('num', StandardScaler(), num_cols),
|
||||
('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols),
|
||||
])
|
||||
pipe = Pipeline([('prep', preprocessor), ('model', xgb.XGBClassifier())])
|
||||
pipe.fit(X_train, y_train)
|
||||
```
|
||||
|
||||
### Anti-leakage
|
||||
```python
|
||||
def split_then_fit(X, y):
|
||||
"""매 ALWAYS split first 의 fit transformer."""
|
||||
X_tr, X_val, y_tr, y_val = train_test_split(X, y)
|
||||
scaler = StandardScaler().fit(X_tr) # 매 train only
|
||||
X_tr_s = scaler.transform(X_tr)
|
||||
X_val_s = scaler.transform(X_val) # 매 val 의 transform only
|
||||
return X_tr_s, X_val_s, y_tr, y_val
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Numerical + tree | Often raw OK |
|
||||
| Numerical + linear | Scale (Standard) |
|
||||
| Cardinality < 50 | One-hot |
|
||||
| Cardinality > 50 | Target encode (OOF) or hash |
|
||||
| Time series | Lag + rolling |
|
||||
| Production | Feature store (Feast) |
|
||||
| Auto | Featuretools / Tsfresh |
|
||||
|
||||
**기본값**: 매 manual + 매 OOF target encode + 매 cyclic datetime + 매 leakage prevent + 매 production = feature store.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Machine-Learning]] · [[Data-Preprocessing]]
|
||||
- 변형: [[Target-Encoding]] · [[Embeddings]] · [[Featuretools]]
|
||||
- 응용: [[Feature-Store]] · [[Feast]]
|
||||
- Adjacent: [[Exploratory-Data-Analysis]] · [[Feature-Selection]] · [[Encoding]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 tabular ML. 매 time series. 매 production system.
|
||||
**언제 X**: 매 deep learning end-to-end (image, text).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Fit on full data**: 매 leakage.
|
||||
- **Naive target encode**: 매 leakage.
|
||||
- **No cyclic datetime**: 매 RNN-only.
|
||||
- **Skip feature store**: 매 prod / train skew.
|
||||
- **Over-engineer for tree**: 매 little gain.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Kuhn Feature Engineering, Kaggle competitions, Feast docs).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-04-20 | Auto-reinforced |
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — categorical / time / interaction + 매 OOF / Featuretools / Feast code |
|
||||
|
||||
Reference in New Issue
Block a user