Превращаем сырые данные в мощные фичи для моделей
ROC AUC после FE
Фичей из 20 колонок
Навык ML-инженера
Рост качества модели
В Forte Bank churn-модель с baseline фичами давала ROC AUC 0.72. После feature engineering: lag-фичи транзакций, RFM-метрики, поведенческие паттерны — ROC AUC вырос до 0.89. Модель та же, данные другие.
Вручную в pandas, copy-paste
Feature store + автоматические пайплайны
Интуиция + корреляции
Permutation importance + SHAP values
Возьмите датасет Titanic или Bank Marketing. Из 10 исходных колонок создайте 50+ фичей. Покажите улучшение ROC AUC модели до и после feature engineering.