Feature engineering adalah proses penting dalam pembelajaran terawasi yang berfokus pada pembuatan fitur atau representasi data yang lebih efektif. Fitur yang baik dapat meningkatkan performa model secara signifikan.
Proses Feature Engineering
Proses ini meliputi feature selection, feature extraction, dan transformasi fitur. Tujuannya adalah mengidentifikasi fitur yang paling relevan dan mengurangi dimensi data untuk menghindari curse of dimensionality.
Pentingnya Fitur yang Relevan
Fitur yang kurang informatif dapat menyebabkan model mengalami underfitting atau overfitting. Oleh karena itu, pemilihan fitur yang tepat menjadi kunci dalam membangun model pembelajaran terawasi yang berkualitas.
Contoh Feature Engineering
Contoh teknik feature engineering antara lain principal component analysis (PCA) untuk reduksi dimensi, one-hot encoding untuk data kategorikal, dan normalisasi agar skala fitur seragam.