---
title: "„Feature Engineering“ pamoka: kaip kurti geresnes savybes mašininio mokymosi modeliams"
url: https://hu.lt/feature-engineering-pamoka-kaip-kurti-geresnes-savybes-masininio-mokymosi-modeliams/
author: "Gedas Kučinskas"
published: 2025-11-04T00:44:39+02:00
updated: 2025-11-04T00:44:40+02:00
language: lt
categories: ["Ekonometrija (MMM)"]
description: "1. Kas yra „feature engineering“? „Feature engineering“ (jis dar vadinamas požymių inžinerija) – tai procedūra, kai žaliuos duomenis (raw data)…"
---

# „Feature Engineering“ pamoka: kaip kurti geresnes savybes mašininio mokymosi modeliams

## 1. Kas yra „feature engineering“?

„Feature engineering“ (jis dar vadinamas požymių inžinerija) – tai procedūra, kai žaliuos duomenis (raw data) transformuojate į tokias savybes (features), kurios **geriau atspindi** underlying problemą, kurią sprendžiate, ir taip **pagerina** prognozavimo modelio našumą. [MachineLearningMastery.com+1](https://machinelearningmastery.com/discover-feature-engineering-how-to-engineer-features-and-how-to-get-good-at-it/)  
Svarbu: tai nėra tik automatinis procesas — tai dalinai menas, dalinai inžinerija. [MachineLearningMastery.com](https://machinelearningmastery.com/discover-feature-engineering-how-to-engineer-features-and-how-to-get-good-at-it/)  
Pavyzdžiui: Jeigu turite duomenis apie klientų pirkimus, galite išskaičiuoti papildomas savybes („kiek kartų pirko per paskutinius 3 mėn.“, „vidutinė pirkimo suma“ ir t. t.), kurios modelio treniruotėje gali padėti geriau atskirti klientus pagal riziką ar potencialą.

---

## 2. Kodėl tai svarbu?

- Geros savybės leidžia naudoti **paprastesnius modelius**, bet su **geresniais rezultatais**. [MachineLearningMastery.com+1](https://machinelearningmastery.com/discover-feature-engineering-how-to-engineer-features-and-how-to-get-good-at-it/)
- Jūsų modelio rezultatas yra priklausomas ne tik nuo algoritmo, bet labai stipriai — nuo to, *kokios savybės* yra jūsų duomenyse. [MachineLearningMastery.com+1](https://machinelearningmastery.com/discover-feature-engineering-how-to-engineer-features-and-how-to-get-good-at-it/)
- Net turint „neidealų“ modelį ar neoptimalias hiperparametrus, geros savybės gali sumažinti klaidų riziką.

---

## 3. Kur ši sritis įsitaiso mašininio mokymosi procese?

Duomenų projektai dažnai vyksta tokia seka:

1. Apibrėžiate problemą
2. Atrenkate / surenkate duomenis
3. Išvalote / paruošiate duomenis (preprocessing)
4. **Transformuojate duomenis** (feature engineering)
5. Modeliuojate, testuojate ir optimizuojate modelius. [MachineLearningMastery.com](https://machinelearningmastery.com/discover-feature-engineering-how-to-engineer-features-and-how-to-get-good-at-it/)  
   Svarbu: „feature engineering“ nėra vienkartinis — tai iteratyvus procesas. Grįžtate atgal, matote modelio našumą, apžvelgiate savybes, generuojate naujas, pašalinate silpnas, vėl testuojate. [MachineLearningMastery.com](https://machinelearningmastery.com/discover-feature-engineering-how-to-engineer-features-and-how-to-get-good-at-it/)

---

## 4. Pagrindinės „feature engineering“ sub-sritys

Straipsnyje autorius išskiria keletą dalių: [MachineLearningMastery.com](https://machinelearningmastery.com/discover-feature-engineering-how-to-engineer-features-and-how-to-get-good-at-it/)

- **Feature selection** (požymių atranka) – iš daugybės savybių išrinkti naudingas, pašalinti nesvarbias ar labai koreliuojančias. [MachineLearningMastery.com](https://machinelearningmastery.com/discover-feature-engineering-how-to-engineer-features-and-how-to-get-good-at-it/)
- **Feature extraction** (požymių išgavimas) – automatinės technikos, pvz., PCA, klasterizacija, kai iš didelio požymių skaičiaus kuriama mažesnė požymių aibė. [MachineLearningMastery.com](https://machinelearningmastery.com/discover-feature-engineering-how-to-engineer-features-and-how-to-get-good-at-it/)
- **Feature construction** (požymių konstravimas) – rankinis savybių kūrimas, derinimas, skaidymas iš žaliųjų duomenų. [MachineLearningMastery.com](https://machinelearningmastery.com/discover-feature-engineering-how-to-engineer-features-and-how-to-get-good-at-it/)
- **Feature learning** (požymių išmokimas) – pvz., giliojo mokymosi atveju, kai modelis pats išmoko savybes, bet dažnai jos būna juodojo langelio forma. [MachineLearningMastery.com](https://machinelearningmastery.com/discover-feature-engineering-how-to-engineer-features-and-how-to-get-good-at-it/)

---

## 5. Konkrečios technikos / pavyzdžiai

Kelios technikos, kurias galima pritaikyti:

### 5.1. Kategorinių atributų dekompozicija

Pvz.: turite stulpelį „Item\_Color“ su reikšmėmis \[„Red“, „Blue“, „Unknown“\]. Galite sukurti:

- „Has\_Color“ (0/1) – ar yra spalva (ne „Unknown“)
- „Is\_Red“, „Is\_Blue“, „Is\_Unknown“ – binariniai indikatoriai. [MachineLearningMastery.com](https://machinelearningmastery.com/discover-feature-engineering-how-to-engineer-features-and-how-to-get-good-at-it/)  
  Šios savybės gali padėti paprastesniam modeliui geriau „matuoti“ kategorijas.

### 5.2. Laiko–datos atributų išskleidimas

Jeigu turite stulpelį su datos–laiko reikšme (pvz., 2024-09-20T20:45:40Z), galite sukurti:

- „Hour\_of\_Day“ – valanda
- „Part\_of\_Day“ – rytas, diena, vakaras, naktis
- „Day\_of\_Week“, „Month“, „Season“ ir pan. [MachineLearningMastery.com](https://machinelearningmastery.com/discover-feature-engineering-how-to-engineer-features-and-how-to-get-good-at-it/)  
  Tai ypač naudinga, kai yra laiko priklausomybių (pvz., pirkimų laikas, dienos ciklai).

### 5.3. Skaitinių atributų perframingas

Pvz., turite „Item\_Weight“ gramais – sukurkite „Item\_Weight\_kg“ arba „Item\_Above\_4kg“ (binariškai). [MachineLearningMastery.com](https://machinelearningmastery.com/discover-feature-engineering-how-to-engineer-features-and-how-to-get-good-at-it/)  
Taip pat: jei turite agreguotą reikšmę per metus („Num\_Customer\_Purchases\_per\_year“), galite ją suskaidyti į „pirkimų\_suma\_pavasaris“, „pirkimų\_suma\_ruduo“ ir pan. [MachineLearningMastery.com](https://machinelearningmastery.com/discover-feature-engineering-how-to-engineer-features-and-how-to-get-good-at-it/)

---

## 6. Praktiniai žingsniai — kaip pradėti

Remiantis straipsniu, galite sekti tokį workflow: [MachineLearningMastery.com](https://machinelearningmastery.com/discover-feature-engineering-how-to-engineer-features-and-how-to-get-good-at-it/)

1. **Idėjos generavimas** („brainstorm“) – gilinkitės į duomenis, supraskite problemą, pažiūrėkite, kaip kiti sprendė panašius atvejus.
2. **Savybių kūrimas** – rankinis konstravimas, automatiniai metodai, mišrios strategijos.
3. **Savybių atranka / testingas** – pasirinkite vieną ar kelis savybių rinkinius, įvertinkite modelio našumą.
4. **Modelio vertinimas** – pasirinkite gerą testavimo aplinką (train/test split, cross‐validation), kad objektyviai matytumėte našumą su naujomis savybėmis.
5. **Iteracija** – grįžkite į ankstesnius žingsnius, keiskite / tobulinkite savybes, kol pasieksite našumo ribą arba laikas baigsis.

---

## 7. Kaip tobulėja „feature engineering“ įgūdžiai?

- Praktika: reguliariai eksperimentuokite su skirtingais duomenų rinkiniais, spręskite realias problemas.
- Studijos: skaitykite gerų pavyzdžių — ypač konkurencijose (pvz., KDD Cup 2010) naudojamų metodų aprašymus. [MachineLearningMastery.com](https://machinelearningmastery.com/discover-feature-engineering-how-to-engineer-features-and-how-to-get-good-at-it/)
- Refleksija: stebėkite, kurios savybės veikia, kurios – ne; kodėl vienos duomenų reprezentacijos geresnės už kitas.

---

## 8. Taikymas jūsų kontekste

Kadangi jūs dirbate su medijos planavimo, duomenų segmentavimo, influenceriais, reklamos pasiekimu ir pan., galite „feature engineering“ pritaikyti taip:

- Išskirkite savybes iš medijos naudotojų duomenų: pvz., „kiek kartų klausė radiją per savaitę“, „kiek procentų video žiūrėjo iki galo“, „influencerių aktyvumo laikas“ ir pan.
- „Temporal“ savybės: reklamos kampanijos laikas, sezoniškumas (šventės, savaitės diena) – gali būti savybės.
- Kategorinių savybių dekompozicija: vartotojo tipas, regionas, platforma – vektorizuokite jas.
- Skaitinės savybės: vidutinė sesijos trukmė, peržiūrų skaičius, sąveikos norma – transformuokite į „didelis / vidutinis / mažas“, logaritmu ar kita forma.
