Feature — machine-learning model qaror yoki prediction chiqarishda foydalanadigan o‘lchanadigan xususiyat. Feature raw data’dan bevosita olinishi yoki preprocessing, aggregation va model orqali yaratilishi mumkin. Har sample featurelar to‘plami bilan ifodalanadi.
Masalan, uy narxini bashorat qilishda maydon, xonalar soni, joylashuv va qurilgan yil feature bo‘lishi mumkin.
Raw feature
Manbadan to‘g‘ridan-to‘g‘ri olingan qiymat:
- yosh;
- harorat;
- click soni;
- rasm pixeli;
- audio sample;
- transaction summasi.
Raw qiymat modelga aynan berilishi yoki transform qilinishi mumkin.
Engineered feature
Domain bilim asosida yaratiladi.
Masalan:
narx / maydon
oxirgi 7 kunlik o‘rtacha
account yoshi
distance
Feature engineering klassik machine learningda muhim.
Deep learning ko‘p representationni avtomatik o‘rganadi, ammo input dizayni baribir kerak.
Numeric feature
Sonli qiymatlar:
- continuous;
- discrete;
- count;
- ratio;
- measurement.
Diapazonlar katta farq qilsa scaling qo‘llanadi.
Outlier va missing value alohida boshqariladi.
Categorical feature
Cheklangan category qiymati:
region = Tashkent
device = Android
Encoding usullari:
- one-hot;
- ordinal;
- target encoding;
- hashing;
- embedding.
Category tartibi bo‘lmasa arbitrary integer ranking sifatida berilmaydi.
Ordinal feature
Category tabiiy tartibga ega:
past < o‘rta < yuqori
Integer encoding ma’noli bo‘lishi mumkin.
Tartib oralig‘i teng degani emas.
Modelga noto‘g‘ri linear masofa berilmasligi kerak.
Text feature
Matn:
orqali featurega aylanadi.
Textni faqat uzunlik yoki keyword bilan ifodalash ko‘p semantic ma’lumotni yo‘qotadi.
Image feature
Klassik vision:
- edge;
- color histogram;
- texture;
- shape.
Deep model convolution yoki Transformer orqali feature map o‘rganadi.
Pretrained backbone representationi boshqa task uchun ishlatilishi mumkin.
Time feature
Timestampdan:
- soat;
- hafta kuni;
- oy;
- bayram;
- mavsum;
- vaqt farqi;
- recency
olinadi.
Cyclic qiymatlar sin va cos bilan ifodalanishi mumkin.
Dekabrdan yanvarga masofa katta ko‘rinmasligi kerak.
Aggregation
Eventlardan user yoki entity darajasidagi feature yaratiladi:
- 7 kunlik count;
- o‘rtacha summa;
- maksimal qiymat;
- unique device;
- trend.
Aggregation window va cutoff vaqt data leakage’ni oldini olishi kerak.
Missing value
Feature mavjud bo‘lmasligi:
bo‘lishi mumkin.
Imputation va missing indicator ishlatiladi.
Zero bilan to‘ldirish “haqiqiy nol” bilan aralashishi mumkin.
Scaling
Standardization:
(x - mean) / std
Min-max scaling ma’lum diapazonga olib keladi.
Tree model scalingga kamroq sezgir.
Distance va gradientga asoslangan modelda muhim.
Scaling statistikasi faqat training data’dan olinadi.
Feature selection
Keraksiz yoki redundant featurelar olib tashlanadi.
Usullar:
- correlation;
- mutual information;
- model importance;
- regularization;
- recursive elimination;
- domain review.
Kam feature modelni sodda va tez qiladi.
Muhim signalni olib tashlash sifatni pasaytiradi.
Feature interaction
Ikki feature birgalikda alohida ma’no berishi mumkin.
Masalan:
narx × region
device × vaqt
Tree model interactionni o‘zi topishi mumkin.
Linear modelga explicit interaction term kerak bo‘lishi ehtimoli bor.
Feature leakage
Prediction vaqtida mavjud bo‘lmaydigan yoki targetdan keyin paydo bo‘ladigan ma’lumot training featurega tushsa leakage yuz beradi.
Masalan, qarz qaytarilishini bashorat qilishda keyingi collection statusidan foydalanish.
Offline metric juda yuqori, production sifati past bo‘ladi.
Feature store
Feature store training va inference uchun bir xil feature definitionni boshqaradi.
U:
- computation;
- version;
- lineage;
- freshness;
- online lookup;
- offline dataset
ni saqlashi mumkin.
Training-serving skew kamayadi.
Freshness
Real-time fraud model uchun bir necha soniyalik feature kerak.
Marketing modelga kundalik aggregation yetishi mumkin.
Feature kechiksa prediction eski holatga asoslanadi.
Timestamp va event-time kuzatiladi.
Feature importance
Model qaysi featurelardan ko‘p foydalanganini baholash usullari mavjud.
Tree gain, permutation importance va SHAP misol.
Importance sababiy ta’sirni isbotlamaydi.
Correlated featurelar importance’ni bo‘lib olishi mumkin.
Online va offline feature
Offline feature historical dataset uchun batch hisoblanadi. Online feature esa request vaqtida past latency bilan olinadi. Ikkala yo‘l bir xil definition ishlatmasa training-serving skew yuz beradi. Masalan, offline yetti kunlik count event-time bo‘yicha, online esa processing-time bo‘yicha hisoblangan bo‘lsa natija farq qiladi.
Feature lineage
Har feature qaysi source, query, transform va versiondan yaratilgani saqlanadi. Model xato qilganda faqat prediction emas, input feature’ning kelib chiqishi tekshiriladi. Source schema o‘zgarsa downstream featurelar haqida alert beriladi.
Leakage test
Feature availability timestamp bilan target cutoff solishtiriladi. Model train qilingan tarixiy jadvalda field mavjud bo‘lishi, u real prediction paytida ham mavjud degani emas. Point-in-time join aynan o‘sha vaqtdagi qiymatni oladi.
Monitoring
Productionda null rate, range, category cardinality va distribution kuzatiladi. Feature pipeline ishlasa ham qiymatlar doim nol bo‘lib qolishi mumkin.
Feature contract
Har feature nomi, turi, unit, null qoidasi, freshness va owner bilan hujjatlashtiriladi. Bir field ma’nosi jim o‘zgarsa model sifati buziladi.
Ownership
Har feature uchun javobgar jamoa belgilanadi. Source yoki definition o‘zgarsa model egalariga xabar beriladi va backward compatibility tekshiriladi.
Bog‘liq tushunchalar
Feature, Feature engineering, Feature selection, Numeric feature, Categorical feature, Feature store, Data leakage, Scaling, Missing value, Feature importance