Features
What？
是指機器學習模型用來進行資料分析與預測的特徵（Features），這些特徵是從原始資料中提取出來，具有辨識度且能夠支持模型決策。例如在圖片分類中，特徵可能包括顏色分布、邊緣檢測結果或形狀資訊。這些特徵可以幫助模型理解並分辨不同的類別。
實務上，就像我們在偵探故事裡整理線索：每個線索代表一個有助於解決問題的 Feature，而 AI 就是負責從雜亂無章的線索裡找到重要線索並進行分析。
Who？
- 資料科學家 (Data Scientists)：他們設計與訓練模型，需選擇最具影響力的 Features。
- 機器學習工程師 (Machine Learning Engineers)：負責將適合的 Features 應用於生產環境。
- 業務分析師 (Business Analysts)：雖然不直接處理技術細節，但透過了解 Features，可以更有效地解讀分析結果。
- 產品經理 (Product Managers)：需要知道哪些 Features 對商業目標最重要，以便優化產品功能。
舉例來說，一位零售公司的資料科學家可能會使用客戶購物行為相關的 Feature（如購買頻率、平均購物金額）來預測客戶流失風險。
When？
以下情境中常見：
- 資料準備階段：在清洗與轉換原始資料時提取關鍵資訊。
- 模型訓練階段：選擇合適的 Features 作為輸入變數，以提升預測能力。
- 模型評估階段：分析每個 Feature 對模型表現的貢獻度（例如使用 SHAP 或 Permutation Importance）。
- 實際應用階段：當系統預測需要快速反饋（如推薦系統）。
例如，在金融風險評估中，信用分數、收入穩定性和過去借貸記錄等都是重要 Feature。
Where？
AI 的 Feature 出現在架構哪個部分？
Feature 通常出現在以下架構部分：
- 資料前處理層 (Data Preprocessing Layer)：將原始資料轉換成可用於模型訓練的結構化格式。
- 特徵工程層 (Feature Engineering Layer)：執行操作如標準化、One-Hot Encoding 或 PCA 等技術以提升效能。
- ML 模型輸入層 (Model Input Layer)：最終選定並整合好後作為輸入參數供訓練或預測使用。
舉例來說，在推薦系統中，商品類別、瀏覽紀錄和購買時間都可能經過上述流程變成有效 Features。
Why？
有效挑選與設計 AI 的 Features 可以：
- 提升模型準確性與效能
- 降低運算成本，不浪費資源處理冗餘資訊
- 增強對業務需求或問題本質的理解
例如，在醫療診斷中，如果只使用病患年齡而忽略病史或基因資訊作為 Features，那麼診斷結果可能會不精確甚至錯誤。好的 Features 則能協助更精準地定位疾病原因。
How？
🛠️ 建立階段
建立 AI 的 Features 通常包含以下步驟：
- 資料清理 (Data Cleaning)：
- 去除空值、不完整或異常值
- 確保各欄位格式一致
- 特徵提取 (Feature Extraction)：
- 從原始資料中提取有效資訊，例如從日期欄位提取“星期幾”或“工作日/假日”
- 特徵選擇 (Feature Selection)：
- 使用方法如 Filter Methods（Correlation）、Wrapper Methods（Recursive Feature Elimination, RFE）或 Embedded Methods（Lasso Regression）
- 特徵工程 (Feature Engineering)：
- 使用技術如 One-Hot Encoding、標準化、正規化等將數值轉換成適合建模格式
範例程式流程：
# 範例程式: 使用 Python 設計基本特徵工程流程
import pandas as pd
from sklearn.preprocessing import StandardScaler, OneHotEncoder
# Step 1: 資料清理
df = pd.read_csv("data.csv")
df.dropna(inplace=True)
# Step 2: 特徵提取
df['day_of_week'] = pd.to_datetime(df['date']).dt.dayofweek
# Step 3: 特徵選擇
selected_features = ["age", "income", "day_of_week"]
# Step 4: 特徵工程
scaler = StandardScaler()
df[selected_features] = scaler.fit_transform(df[selected_features])
encoder = OneHotEncoder()
encoded_features = encoder.fit_transform(df["category"]).toarray()
🔍 查詢階段
查詢階段主要聚焦於如何利用已建立好的 Features 進行推論與預測：
- 載入已保存好的訓練模型及其所需 Inputs 格式。
- 將新進來的資料根據相同邏輯做前處理以生成對應 Features。
- 輸入處理後之 Features 至 ML 模型進行推論，取得結果。
範例流程：
# 範例程式: 模型查詢流程
import joblib
# Step 1: 載入已建模檔案及 Scaler/Encoder 等工具
model = joblib.load("trained_model.pkl")
scaler = joblib.load("scaler.pkl")
# Step 2: 新增查詢資料並轉換格式至 Models 可接受之 Inputs 格式
query_data = {"age": 35, "income": 50000, "category": "electronics"}
query_df = pd.DataFrame([query_data])
query_df[["age", "income"]] = scaler.transform(query_df[["age", "income"]])
# Step 3: 預測結果輸出
result = model.predict(query_df)
print(result)
補充說明
📌 範例比較
| 技術名稱 | 優點 | 缺點 |
|---|---|---|
| PCA | 降維簡化特徵空間 | 無法保留所有原始資訊 |
| One-Hot Encoding | 處理分類型變數 | 當分類多時造成維度膨脹 |
🧠 延伸／常見誤解
常見誤解一：「所有欄位都可以當作 Features」
事實上，不具備辨識度或實際價值的信息通常不適合作為有效特徵。例如 ID 欄位僅代表唯一識別碼，通常沒有任何預測意義。
常見誤解二：「深度學習不需要手動設計 Features」
雖然深度學習可以自動提取高級抽象特徵，但若原始輸入數據品質不足（例如未正規化），仍會影響性能，因此基礎特徵設計仍不可忽視。