Feature Engineering
Neue aussagekräftige Merkmale aus Rohdaten für Machine-Learning-Modelle ableiten
Prompt-Vorlage
Sie sind ein erfahrener Machine-Learning-Ingenieur. Unterstützen Sie mich beim Feature Engineering für das folgende ML-Projekt. Problemstellung und Ziel: [PROBLEMSTELLUNG – z. B. Vorhersage der Kundenabwanderung (Churn) innerhalb der nächsten 30 Tage] Verfügbare Rohdaten: [ROHDATEN – Beschreibung der vorhandenen Spalten, z. B. Transaktionshistorie, Login-Zeitstempel, Support-Tickets, demografische Daten] Ziel-Algorithmen: [ALGORITHMEN – z. B. Gradient Boosting, Logistische Regression, Random Forest, neuronale Netze] Programmierumgebung: [UMGEBUNG – z. B. Python mit scikit-learn und pandas, PySpark für Big Data] Erstellen Sie bitte: 1. Mindestens 15 konkrete Feature-Ideen mit Begründung ihrer Relevanz für das Zielproblem 2. Vollständigen Code zur Berechnung jedes Features 3. Empfehlungen zur Feature-Skalierung und -Kodierung (One-Hot, Target Encoding, Normalisierung) 4. Strategien zur Behandlung fehlender Werte und Ausreißer im Feature-Engineering-Kontext 5. Methoden zur Feature-Selektion und Wichtigkeitsbewertung (z. B. SHAP, Korrelationsanalyse)
So verwendest du die Vorlage
Kopiere den Prompt, ersetze die Platzhalter in eckigen Klammern durch deine Angaben und füge ihn in den KI-Assistenten deiner Wahl ein. Je genauer die Angaben, desto besser das Ergebnis.
Tipps für bessere Ergebnisse
- Beschreiben Sie die Zielvariable genau, da dies bestimmt, welche Features relevant sein könnten.
- Erwähnen Sie, ob zeitliche Reihenfolge wichtig ist – für zeitbasierte Features sind spezielle Techniken wie Lag-Features erforderlich.
- Geben Sie an, ob Interpretierbarkeit des Modells wichtig ist, da dies die Wahl der Feature-Engineering-Methoden beeinflusst.
Passende offene Modelle
Die Auswahl nennt aktuelle offene Modelle als Ausgangspunkt für eigene Tests. Sie ist keine Messung für diese Vorlage.
Stichwörter: #feature-engineering #machine-learning #scikit-learn #modeling