AIAgent-Hub · ChatGPT Data Analysis

Фиче-инжиниринг из сырья ChatGPT Data Analysis

Продвинутый фиче-инжиниринг из сырых данных под ML-задачу с явным контролем утечки таргета и обоснованием каждого признака.

Цель — подготовить признаки для модели машинного обучения (задача: {ОПИШИ — классификация/регрессия/что предсказываем}). На основе приложенных сырых данных предложи и сгенерируй новые признаки.

Сгенерируй и обоснуй (каждый признак — зачем он помогает модели):
- Из дат: день недели, месяц, квартал, выходной/будни, час, часть суток, дни с последнего события (recency), сезонность через sin/cos.
- Из числовых: бины/квантили, логарифм для скошенных, отношения и разности между связанными столбцами, скользящие агрегаты если есть временной порядок.
- Из категориальных: частотное кодирование, target encoding с предупреждением об утечке и правильным CV, группировка редких категорий в «Прочее», one-hot для низкой кардинальности.
- Из текста: длина, кол-во слов, наличие ключевых паттернов (regex-флаги).
- Агрегаты по группам (groupby + transform): среднее/медиана/счётчик по клиенту/категории.

ЯВНО предупреждай о риске утечки таргета (data leakage) в каждом подозрительном признаке. Верни таблицу: признак | формула | бизнес-смысл | риск утечки, плюс Python-код. Не создавай признаки, дублирующие исходные.

data, chatgpt, feature-engineering, ml, pandas, data-analysis