هندسة السمات

لماذا هندسة السمات؟

جودة السمات كثيراً ما تحدد سقف أداء النموذج أكثر من اختيار الخوارزمية، خصوصاً في البيانات الجدولية.

التحويلات الأساسية

المشكلة	التحويل	أداة scikit-learn
قيم مفقودة	تعويض بالوسيط أو القيمة الأكثر تكراراً	SimpleImputer
متغير فئوي	ترميز أحادي ساخن	OneHotEncoder
مقاييس مختلفة	توحيد قياسي	StandardScaler
توزيع ملتوٍ	تحويل لوغاريتمي	FunctionTransformer(np.log1p)
علاقات غير خطية	حدود متعددة	PolynomialFeatures

مثال متكامل دون تسرب

import numpy as np
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import OneHotEncoder, StandardScaler
from sklearn.linear_model import LogisticRegression

num_cols = ["age", "income"]
cat_cols = ["city", "education"]

pre = ColumnTransformer([
    ("num", Pipeline([("imp", SimpleImputer(strategy="median")),
                      ("sc", StandardScaler())]), num_cols),
    ("cat", Pipeline([("imp", SimpleImputer(strategy="most_frequent")),
                      ("oh", OneHotEncoder(handle_unknown="ignore"))]), cat_cols),
])
model = Pipeline([("pre", pre), ("clf", LogisticRegression(max_iter=1000))])
# model.fit(X_train, y_train); model.score(X_test, y_test)

عند استخدام model داخل cross_val_score تُدرَّب كل التحويلات من جديد داخل كل طية، وهذا ما يمنع التسرب.

سمات مشتقة

• من التاريخ: اليوم من الأسبوع، الشهر، هل هو عطلة.
• نسب: الدخل مقسوماً على عدد أفراد الأسرة.
• تجميعات: متوسط مشتريات العميل في آخر 30 يوماً (محسوبة من بيانات سابقة لزمن التنبؤ فقط).

أشكال خفية للتسرب

• سمة تُحسب بعد وقوع النتيجة (مثل «تاريخ الخروج من المستشفى» عند التنبؤ بالدخول).
• تكرار المثال نفسه في التدريب والاختبار.
• اختيار السمات على كامل البيانات قبل التحقق المتقاطع.