Dizionario AI › Fondamenti AI

Feature engineering

Il feature engineering è il processo di creare, trasformare o combinare le variabili in ingresso di un modello di machine learning per renderle più informative rispetto al problema da risolvere. È spesso il lavoro che fa la differenza tra un modello mediocre e uno eccellente: un algoritmo sofisticato con dati grezzi mal rappresentati produce risultati peggiori di un modello semplice con caratteristiche ben costruite.

Definizione

Come funziona

Il processo parte dalla conoscenza del dominio applicativo: da una data di nascita si può ricavare l'età, da un indirizzo la distanza dal centro città, da una serie temporale di acquisti la frequenza media o il tempo trascorso dall'ultimo ordine. Comprende anche la codifica di variabili categoriche in forma numerica, la creazione di interazioni tra caratteristiche esistenti e l'estrazione di pattern ricorrenti da dati testuali o temporali. Ogni nuova caratteristica viene poi valutata in base a quanto migliora effettivamente le prestazioni del modello.

Applicazioni

Nell'AI applicata il feature engineering resta cruciale soprattutto per i dati tabellari, dove i modelli di gradient boosting e random forest continuano a dominare: nel credit scoring si costruiscono indicatori di solvibilità, nel rilevamento frodi rapporti tra importi e frequenza delle transazioni, nella previsione della domanda variabili stagionali e di calendario. Nel deep learning applicato a immagini e testo, parte di questo lavoro viene svolta automaticamente dalla rete, ma la scelta di quali dati grezzi fornire resta comunque decisiva.

Storia ed etimologia

L'espressione feature engineering si diffonde nella comunità di machine learning e data mining a partire dagli anni '90 e 2000, quando la pratica di costruire manualmente buone variabili in ingresso viene riconosciuta come una disciplina a sé, distinta dalla scelta dell'algoritmo. Feature, caratteristica in inglese, deriva dal francese antico faiture, forma o fattura, mentre engineering sottolinea la natura ingegneristica e sistematica del lavoro di progettazione delle variabili.

Come si usa in Grace

Negli scenari professionali di Grace su data science, capire il feature engineering ti aiuta a istruire l'AI su quali variabili sono davvero rilevanti per un problema, invece di limitarti a fornire dati grezzi senza contesto.

Termini correlati

• Feature selection
• Normalizzazione dei dati
• Dataset
• Valori mancanti (Missing Values)
• Data cleaning

Altri termini in Fondamenti AI

• LLM (Large Language Model)
• Token
• Context Window
• Temperature
• Allucinazione (AI Hallucination)
• Fine-tuning
• RAG (Retrieval Augmented Generation)
• Embedding

Mettilo alla prova

• Scenario reale: applica questo concetto con un verdetto AI immediato.
• Palestra quotidiana: brevi esercizi per allenare i concetti del dizionario.
• Gioco Playoff: sfida altri giocatori, a eliminazione diretta.

📱 Scarica l'app Android (beta) iOS in arrivo

Dì quello che intendi. Ottieni quello che ti serve.

Grace Certified, la coach AI che allena e certifica il tuo prompt engineering, di Agora Intelligence.