Etapa Build Features

Descrição

A etapa Build Features cria uma tabela de colunas de recursos derivadas a partir de uma tabela de origem — combinações aritméticas e de interação, extração de partes de data, faixas, escalonamento e codificação one-hot — em uma única passagem, sem escrever à mão uma expressão por coluna. Ela é executada como uma transformação comum no data warehouse.

Configuração

• Origem / Tabelas de saída — a tabela de entrada e a tabela em que as colunas derivadas são gravadas.
• Colunas de passagem direta (passthrough_columns) — colunas de origem que passam adiante sem alteração.
• Recursos (features) — uma lista ordenada de especificações de recurso, com pelo menos uma obrigatória. Cada especificação tem um type e produz uma ou mais colunas de saída. Os nomes das colunas de saída — as colunas de passagem direta mais o name de cada recurso que não seja one-hot — devem ser todos distintos; salvar um nome duplicado, ou um par (column, prefix) one-hot duplicado, é recusado.

Tipos de recurso

Tipo	Campos	Produz
Expressão (expression)	name, expression, dtype (padrão text)	Uma coluna: uma expressão arbitrária sobre colunas de origem.
Interação (interaction)	name, columns (exatamente 2), op (multiply ou add, padrão multiply), dtype (padrão numeric)	Uma coluna: a combinação aritmética em pares de duas colunas numéricas.
Parte da data (datepart)	name, column, part (year, month, day, dow ou hour)	Uma coluna: o componente de data/hora extraído.
Faixa (bin)	name, column, thresholds (crescentes, pelo menos 1), labels (exatamente um a mais que thresholds)	Uma coluna: o rótulo da faixa em que o valor de column se enquadra. Os limites são valores fixos que você informa — consulte Limites e ressalvas.
Z-Score (zscore)	name, column, dtype (padrão numeric)	Uma coluna: a coluna padronizada para média zero e variância unitária.
Mín.-máx. (minmax)	name, column, out_min (padrão 0), out_max (padrão 1), dtype (padrão numeric)	Uma coluna: a coluna reescalonada para o intervalo [out_min, out_max].
Codificação one-hot (onehot)	column, prefix	Uma coluna por valor distinto de column, cada uma com o nome <prefix><value>.
Estatística de coluna (column_mean, column_sum, column_variance, column_stddev, column_min, column_max)	name, column, dtype, moments, order_column	Uma coluna: a estatística da coluna inteira, sob o filtro da etapa, em todas as linhas. moments é sql (padrão, o agregado do data warehouse) ou welford, que calcula a média, a soma, a variância e o desvio padrão como momentos correntes de uma passagem sobre a coluna lida na ordem de order_column, como fazem COL_MEAN e seus equivalentes no Math Formula do KNIME.

Limites e ressalvas

• A criação de faixas precisa de limites fixos desde o início. bin agrupa uma coluna em faixas com base em limites e rótulos que você informa — não há criação de faixas orientada pelos dados (faixas de largura igual ou de frequência igual calculadas a partir dos dados na execução). Calcule os limites você mesmo (por exemplo, a partir de uma etapa de agregação anterior) antes de configurar um recurso bin.
• Uma tabela por vez. A Build Features lê e grava uma única tabela de origem; ela não agrega valores entre tabelas relacionadas como faz uma ferramenta de síntese de recursos entre tabelas. Modele qualquer relacionamento entre tabelas como uma junção anterior à etapa.
• Sem redução de dimensionalidade nem codificação baseada no alvo nesta etapa. A Build Features não tem redução de componentes no estilo PCA nem codificação por alvo (uma coluna categórica reexpressa como uma estatística do rótulo, como sua média). Use onehot para recursos categóricos. Para redução de componentes, use o algoritmo pca de ML: Treinar modelo e use o tratamento de recursos dele se um pipeline de treinamento precisar de uma codificação diferente.

Relacionados

• ML: Treinar modelo — treina um modelo sobre uma tabela, inclusive uma criada por esta etapa.
• Matriz de conversão do Alteryx — como as primitivas da ferramenta Build Features do Alteryx se mapeiam para estes tipos de recurso e quais delas (agregação entre tabelas, PCA, codificação por alvo, criação automática de faixas) não têm equivalente aqui.