Çapraz Öznitelik (Feature Cross)

Çapraz Öznitelik nedir?

Çapraz öznitelik (feature cross), iki veya daha fazla özelliğin birleştirilmesiyle oluşturulan sentetik bir özelliktir. Amaç, tek tek özelliklerin yakalayamadığı etkileşimleri modele açıkça göstermektir.

Klasik örnek: Bir taksi yolculuğunun süresini tahmin ettiğini düşün. "Gün" ve "saat" ayrı ayrı faydalıdır ama asıl bilgi ikisinin birleşimindedir. Pazartesi 08:30 ile pazar 08:30 bambaşka trafik demektir. "Gün × saat" çapraz özniteliği bu farkı modele doğrudan verir.

Nasıl çalışır?

Çoğunlukla kategorik özellikler üzerinde uygulanır. İki kategorik özellik çaprazlandığında, olası tüm kombinasyonlar yeni kategoriler haline gelir. Örneğin 7 gün ve 24 saat çaprazlanınca 168 yeni kategori oluşur; bunlar genellikle one-hot encoding ile kodlanır.

Sürekli değerler de çaprazlanabilir ama önce kutulanmaları (binning) gerekir. Enlem ve boylam tek başına bir konum hakkında sınırlı bilgi verir; ikisi kutulanıp çaprazlanınca her biri bir harita hücresine karşılık gelen kategoriler elde edilir.

Burada dikkat edilmesi gereken nokta kombinasyon patlamasıdır. Çok sayıda kategoriye sahip özellikleri çaprazlamak milyonlarca seyrek kategori üretebilir. Bu durumda hashing, regularization ya da embedding tabanlı yaklaşımlar devreye girer.

Neden önemli?

Doğrusal modeller özellikler arasındaki etkileşimi kendi başına öğrenemez. Çapraz öznitelik, doğrusal bir modele doğrusal olmayan ilişkileri öğretmenin en ucuz yoludur. Büyük ölçekli reklam tıklama ve öneri sistemlerinde yıllarca bu teknik belkemiği oldu, çünkü hem hızlı hem yorumlanabilirdir.

Derin öğrenme, etkileşimleri otomatik öğrenebildiği için elle çaprazlamaya duyulan ihtiyacı azalttı. Ama tamamen bitirmedi: az veriyle çalışırken, hızlı ve açıklanabilir bir model gerektiğinde ya da alan bilgisini modele eklemek istediğinde feature cross hâlâ güçlü bir araç.

Kullanım alanları

• Reklam ve öneri sistemleri: "Kullanıcı ülkesi × ürün kategorisi" gibi etkileşimler.
• Konum verisi: Enlem-boylam çaprazlamasıyla bölgesel örüntüler.
• Fiyatlama: "Sezon × bölge" gibi talep etkileşimleri.
• Wide & deep modeller: Geniş (wide) kısım genellikle çapraz özniteliklerle beslenir.
• Hızlı prototipleme: Yeni bir problemde önce basit bir doğrusal model ve birkaç anlamlı çapraz öznitelikle başlamak, derin bir ağa geçmeden önce güçlü bir baseline sağlar. Böylece karmaşık modelin gerçekten ne kadar fark yarattığını ölçebilirsin ve hangi etkileşimlerin önemli olduğunu da erkenden görürsün.