Feature
De datakolonner, en model måler på for at forudsige kunder eller lager.
Indhold
Feature er en målbar egenskab ved et eksempel, som en maskinlæringsmodel bruger som input. Det kan være kundens alder, antal køb, dage siden sidste ordre eller en score udtrukket fra en faktura. Valget af hvilke features og hvordan de forberedes, feature engineering, har ofte større betydning for modellens resultat end valget af algoritme.
Sådan virker en feature i praksis
Tænk på et regneark: hver kolonne er en potentiel feature. Nogle features er tal (alder, antal køb), andre er kategorier (produktkategori, by), og nogle er tidsstempler (sidste køb). Modellen ser mønstre mellem disse kolonner og målet, for eksempel om en kunde køber igen. Arbejdet med features handler om at rydde op i data, håndtere manglende værdier, og omforme kolonner så modellen kan forstå dem, fx omregne en dato til "dage siden sidste ordre".
Features er ikke magi. En god feature kan få en simpel model til at præstere bedre end en kompleks algoritme, fordi den indeholder forretningsviden. Samtidig kan mange dårligt forberedte features forvirre modellen. Features er som krydderier i en opskrift: de rigtige i de rette mængder gør forskellen.
Når leverandøren spørger efter jeres features
Når en dataanalytiker eller leverandør beder om jeres features, mener de konkrete datakolonner og deres kvalitet: hvilke felter i jeres system, hvor opdaterede de er, hvor ofte de mangler, og hvad de præcist betyder. Her er jeres forretningsviden guld værd, I ved, hvilke kolonner der virkelig afspejler kundeadfærd eller leverandørrespons. Men ikke hvis du er lidt smart: nogle gange kan en simpel proxy, som "dage siden sidste faktura", dække over manglende komplekse målinger.
Eksempel: Feature hos en indkøbschef
En indkøbschef på en mellemstor producent sidder tre uger før sæsonbestillingen med et regneark på tre års salg. Der er 10 kolonner: produkt-id, månedligt salg, pris 2019, lagerbeholdning, lead_time_days, leverandør, returprocent, sidste indkøb, antal leverandøremails, og en scannet teknisk tegning. Analytikeren vil lave en model til at forudsige risiko for udsolgthed, men lead_time_days er mangelfuld for to ud af fire leverandører. Teamet laver en proxy ud af mail-tidsstempler (leverandørrespons_tid), bruger to dage på at rense data og en uge på at teste modellen. Det gav et nyt sæt features, men også nye spørgsmål om datakvalitet og vedligeholdelse, arbejdet fortsætter, og der var tid og ressourcer at regne med.
Features er ikke det samme som algoritme
En algoritme er det værktøj, der lærer mønstre. Features er det materiale algoritmen arbejder på. Du kan skifte algoritme senere, men uden relevante og rensede features hjælper det ikke meget. Derfor starter man ofte med at finde eller lave bedre features, før man skifter model.
Sådan kommer I i gang med jeres features
- Skriv de forretningsspørgsmål ned, I vil have svar på. 2. List alle datakilder og kolonner, noter aktualitet og manglende værdier. 3. Rens og lav simple proxies (fx "dage siden sidste ordre"). 4. Test hurtigt med en simpel model eller en pilot for at se, hvilke features virker. 5. Planlæg vedligeholdelse: hvem opdaterer, og hvor ofte.
Når medarbejderne selv skal kunne bruge feature og ikke bare kende ordet, sker det hurtigst på en AI-workshop. Er I i tvivl om, hvad feature betyder for jeres eget ansvar, så tag det med i AI-rådgivningen.
Ofte stillede spørgsmål om Feature
Er en feature det samme som en variabel?
Ja. I praksis bruges "feature" ofte som synonym for en variabel eller en kolonne i et datasæt. Begrebet understreger, at feltet skal være målbart og relevant som input til en model.
Hvad betyder feature engineering?
Feature engineering er processen med at vælge, rense og omforme datafelter, så de bliver brugbare for en model. Det kan være at kombinere kolonner, lave proxies eller fylde manglende værdier.
Koster det noget at lave features?
Ja, i tid og ressourcer. I skal bruge tid på at finde data, rense den og teste, hvilke features der virker. Hvor meget afhænger af datakvaliteten og kompleksiteten i jeres problem.
Kan vi lave features uden udviklere?
Delvist. Du kan identificere og forberede mange features i regneark, men til automatisering, gentagne opdateringer eller komplekse transformationer er udvikler- eller dataingeniørhjælp ofte nødvendig.
AI-rådgiver og underviser, grundlægger af AI Hero i Herning. Har bygget digitalt i over 20 år og hjælper danske virksomheder med at få AI i drift. Læs mere om Brian.