feature engineering

피처 엔지니어링

원시 데이터에서 machine learning 모델이 쓸 입력 변수(feature)를 사람이 설계하고 만드는 작업이다.

기사 2편최근 언급

feature engineering은 원시 데이터를 가공해 machine learning 모델의 입력 변수인 feature를 설계·선택·변환하는 작업이다. 날짜에서 요일을 뽑거나 여러 열을 조합해 새 변수를 만드는 일, 범주형 값을 숫자로 바꾸는 일, 값의 범위를 정규화하는 일이 여기에 든다. 전통적인 machine learning에서 모델 성능을 좌우하는 핵심 단계로, 데이터와 업무에 대한 지식이 필요하다.

XGBoost 같은 표 데이터 모델에서는 과제마다 feature engineering을 반복해야 하지만, 딥러닝은 원시 데이터에서 표현을 스스로 학습해 이 부담을 줄인다. 표 데이터용 foundation model은 이 작업을 더 줄이려는 시도다.

이 설명은 AIPOST 기사와 널리 알려진 사실을 바탕으로 정리했습니다. 잘못된 내용이 있으면 정정 요청으로 알려 주세요.

이 항목을 다룬 기사

  • AI agent가 고객이 될 때: TinyFish가 $20 구독을 버린 이유AI 창업 ·

    뼈대를 외부에 맡기면서 팀은 DOM 트리 가지치기, feature engineering(모델에 넣을 입력을 가공하는 일), 봇 차단 대응 같은 웹 고유의 문제에 집중할 수 있었습니다.

    기사 읽기
  • NVIDIA Agent Toolkit, 모델 대신 harness를 고치는 이유AI 뉴스 ·

    feature engineering(모델이 쓸 입력 변수를 사람이 설계하는 작업), ETL 데이터 pipeline, 분류와 회귀 모델을 따로 비교하는 benchmark 작업이 과제마다 반복됐습니다.

    기사 읽기

설명이 잘못되었거나 찾는 항목이 없나요?

위키 설명은 AIPOST 기사와 널리 알려진 사실을 바탕으로 정리합니다. 잘못된 설명은 정정 요청으로 알려 주시면 확인해 고칩니다. 새 기사에 나온 이름은 기사가 올라온 뒤 위키에 더해집니다.