Was ist Feature Engineering?
Feature Engineering ist der Prozess der Transformation und Schöpfung von Eingabevariablen (Features) für maschinelle Lernmodelle. Obwohl Deep-Learning-Methoden viele Features automatisch erlernen können, bleibt Feature Engineering ein wichtiger Hebel für die Modellleistung bei tabellarischen Daten, Zeitreihen und spezialisierten Domänen. Gut konstruierte Features können die Modellleistung drastisch verbessern und Modelle interpretierbarer machen.
Kernmethoden
Numerische Features werden durch Normalisierung und Skalierung transformiert. Kategorische Variablen werden kodiert (One-Hot, Target Encoding, Embeddings). Zeitliche Features extrahieren Trends, Saisonalität und zyklische Muster. Interaktionsfeatures fassen Informationen aus mehreren Variablen zusammen. Domain Features nutzen Expertenkenntnis — z. B. Benutzerverhaltensratios aus Rohzähldaten in E-Commerce oder Technische Indikatoren aus OHLCV-Preisdaten.
Feature Stores
Für Enterprise-ML verwalten Feature Stores berechnete Features zentral, gewährleisten Konsistenz zwischen Training und Inferenz, ermöglichen Feature-Wiederverwendung über Projekte und verfolgen Feature-Herkunft für Auditbarkeit. Ein Feature Store verhindert Training-Serving-Skew, eine häufige Quelle von Produktions-KI-Versagen, bei der Features in der Produktion unterschiedlich berechnet werden als während des Trainings.