特征工程和选择

高级预测可以在运行预测之前对数据执行特征工程和特征选择，从而提高预测准确性。

定义高级预测时，管理员可以在数据准备页上选择一个新选项，即启用自动化特征工程和选择。此选项默认情况下处于选中状态。

特征工程是通过转换现有特征或创建新特征来提高模型性能，从而为机器学习准备数据的过程。自动化特征工程加速了这一过程，从而实现了更准确的模型。

如果没有特征工程，所有动因都将按原样进行处理。借助特征工程，可以从特征中派生其他信息，从而实现更准确的预测。将应用以下类型的转换：

• 基于时间的特征。例如，一周中的特定某天是否具有更大的影响？
• 滞后效应。例如，业务动因对目标的滞后效应是什么，例如 6 月的市场营销支出对 8 月的销售量的影响？
• 聚合转换。例如，滚动平均值对业务动因（而不是单个数据点）有何影响？

选择启用自动化特征工程和选择时，将创建多个工程特征，并为模型生成和预测选择前 15 个（或更少）特征。特征重要性图表显示选定前 15 个特征对于输出变量的重要性。

如果未选择启用自动化特征工程和选择，则不会创建任何工程特征。然而，特征重要性仍会被评估，任何被认为不重要的特征都将从模型中排除。所有其他特征均按原样用于模型生成。

特征重要性图表显示给定特征对于输出变量的重要性。该图表显示前九个特征；所有剩余特征均按其百分比值进行聚合，并分组在标题其他下。

您可以在解释预测屏幕中看到特征工程和特征选择的影响：在包含“高级预测”预测值的表单中，右键单击包含预测数据的单元格，然后选择解释预测。在特征重要性选项卡和预测分析选项卡上查看有关预测的详细信息。

如果选择 AutoMLx 作为算法，请注意 AutoMLx 会根据准确性自动选择单变量或多变量模型。

如果选择单变量模型，则特征重要性图形仅显示与输出/目标相关的特征，例如目标趋势、N 个期间前的目标、目标差异变化和目标的循环趋势（如适用）。

单变量模型的特征重要性图形如下所示：

特征工程查找输入特征与输出变量之间的隐藏关系。精心设计的特征使模型能够捕获更相关信息，从而提高模型性能并改善预测效果。

特征选择识别影响预测准确性的最相关的业务动因，并筛选出“干扰”或低影响变量，以避免过度拟合。它还通过降低复杂性和处理时间来提高性能。它通过根据预测能力对特征进行排名来支持可解释性。

请注意以下事项：

• 默认情况下，启用自动化特征工程和选择处于选中状态。
• 选择启用自动化特征工程和选择会增加运行预测所需的时间。