Kualitas model sangat ditentukan oleh kualitas fitur yang kita berikan. Section ini membahas transformasi variabel, encoding data kategorikal, normalisasi dan standardisasi, transformasi distribusi miring, pembuatan fitur dari tanggal dan deret waktu, agregasi, penanganan fitur berkorelasi, seleksi fitur, reduksi dimensi, serta satu disiplin yang paling penting: mencegah data leakage sejak awal.
Pahami konsep fitur, matriks fitur, dan mengapa feature engineering menentukan hasil model.
Buka → # Transformasi VariabelKenali ragam transformasi variabel dan tujuan masing-masing sebelum menyentuh model.
Buka → # Encoding Data KategorikalUbah kategori menjadi angka dengan one-hot, ordinal, dan frequency encoding.
Buka → # NormalisasiSkalakan fitur ke rentang [0,1] dengan MinMaxScaler dan kenali kapan dibutuhkan.
Buka → # StandardisasiPusatkan dan skala fitur dengan StandardScaler sebagai default penskalaan.
Buka → # Transformasi DistribusiLuruskan sebaran miring dengan log dan transformasi Yeo-Johnson.
Buka → # Pembuatan Fitur TanggalEkstrak fitur dari kolom tanggal: komponen kalender, penanda akhir pekan, dan selisih waktu.
Buka → # Pembuatan Fitur Deret WaktuBangun lag dan window fitur untuk masalah prediksi berbasis waktu.
Buka → # Agregasi FiturRangkum data transaksi menjadi fitur level entitas dengan groupby dan agregasi berganda.
Buka → # Menangani Fitur BerkorelasiKenali multikolinearitas dan kurangi fitur yang saling berkorelasi kuat.
Buka → # Feature SelectionPilih fitur dengan filter, wrapper, dan embedded method secara sistematis.
Buka → # Reduksi DimensiRingkas banyak fitur menjadi sedikit komponen utama dengan PCA.
Buka → # Mencegah Data LeakageKenali ragam kebocoran data — leakage dari target, waktu, dan preprocessing — lalu cegah.
Buka →