Dans la plupart des datasets de machine learning, on retrouve principalement des features qui progressent d'une valeur à une autre :

Par exemple :

  • Des features numériques comme l'âge, le revenu, le montant d'une transaction, etc.

  • Des features catégorielles comme la taille d'un t-shirt, les tranches de revenu, les tranches d'âge, etc.

Cependant, il existe un autre type de feature qui, dans la plupart des cas, mérite un effort de feature engineering particulier, mais qui est souvent négligé.

Ce sont les features cycliques, c'est-à-dire des features qui suivent un motif récurrent (ou un cycle).

Schéma circulaire illustrant le concept de feature cyclique avec quatre valeurs A, B, C et D reliées en boucle

Contrairement aux autres features qui progressent de façon continue (ou qui n'ont pas d'ordre intrinsèque), les features cycliques présentent un comportement périodique et se répètent après un intervalle précis.

Par exemple, l'heure de la journée, le jour de la semaine et le mois de l'année sont tous des exemples courants de features cycliques.

En parlant spécifiquement de l'heure de la journée, sa valeur peut aller de 0 à 23 :

Échelle linéaire représentant l'heure de la journée de 0 à 23

Si on NE considère PAS cette feature comme cyclique et qu'on n'utilise pas les techniques de feature engineering appropriées, on va perdre des informations vraiment essentielles.

Pour mieux comprendre, prends ça en compte :

En toute logique, les valeurs "23" et "0" doivent être proches l'une de l'autre dans notre représentation "idéale" de la feature heure de la journée.

Échelle de l'heure de la journée montrant que les valeurs 0 et 23 doivent être considérées comme proches

De plus, la distance entre "0" et "1" doit être la même que la distance entre "23" et "0".

Schéma illustrant que la distance entre 23 et 0 doit être égale à la distance entre 0 et 1

Cependant, la représentation standard ne respecte pas ces propriétés.

Ainsi, la valeur "23" est éloignée de "0". En réalité, la propriété de distance n'est pas respectée non plus.

Maintenant, prends un instant pour y réfléchir.

Intuitivement, tu ne penses pas que cette feature mérite un feature engineering particulier, c'est-à-dire un traitement qui préserve sa propriété naturelle intrinsèque ?

Je suis sûr que si !

Voyons comment on procède habituellement.

Encoder les features cycliques

L'une des techniques les plus courantes pour encoder ce type de feature consiste à utiliser des fonctions trigonométriques, plus précisément le sinus et le cosinus.

Elles sont utiles parce que le sinus et le cosinus sont périodiques, bornés, et définis pour toutes les valeurs réelles.


❝

Bien sûr, d'autres fonctions trigonométriques sont également périodiques, mais elles sont aussi indéfinies pour certaines valeurs, comme tan(π/2).


Par exemple, prenons la représentation linéaire de la feature heure de la journée transformée en feature cyclique :

Transformation d'une feature linéaire heure de la journée en feature cyclique représentée sur une horloge

L'angle central (2π) représente 24 heures.

Ainsi, les valeurs de la feature linéaire peuvent facilement être converties en features cycliques comme suit :

Extrait de code Python utilisant NumPy pour encoder l'heure avec les fonctions sinus et cosinus

L'avantage de cette démarche, c'est de voir à quel point la feature ainsi obtenue respecte parfaitement les propriétés qu'on a évoquées plus haut :

Formules mathématiques démontrant l'égalité entre sinus et cosinus pour les distances (0,23) et (0,1)

Comme illustré ci-dessus, la distance entre la représentation cyclique de "23" et de "0" est la même que la distance entre "0" et "1".

La représentation linéaire standard de la feature heure de la journée, en revanche, viole cette propriété, ce qui entraîne une perte d'information…

… ou plutôt, je devrais dire que la représentation linéaire standard de la feature heure de la journée entraîne une sous-utilisation de l'information, dont le modèle pourrait pourtant bénéficier.

S'il s'était agi du jour de la semaine à la place, l'angle central (2π) aurait dû représenter 7 jours.

Transformation des jours de la semaine d'une représentation linéaire vers une représentation circulaire

Ça a du sens intuitivement aussi.

Envie d'aller plus loin ? DataXp t'attend : formations et parcours pour progresser en data science, machine learning et IA.

La même idée peut s'étendre à tous les types de features cycliques que tu pourrais retrouver dans ton dataset :

  • La direction du vent, si elle est représentée de façon catégorielle, suivra cet ordre : N, NE, E, SE, S, SO, O, NO, puis de nouveau N.

  • Les phases de la lune, comme la nouvelle lune, le premier quartier, la pleine lune et le dernier quartier, peuvent être représentées comme des catégories suivant un ordre cyclique.

  • Les saisons, comme le printemps, l'été, l'automne et l'hiver, sont des features catégorielles au motif cyclique puisqu'elles se répètent chaque année.

Le point important, c'est qu'en inspectant les features de ton dataset, tu sauras intuitivement lesquelles sont cycliques et lesquelles ne le sont pas.

En général, le modèle trouvera plus facile d'interpréter les features ainsi obtenues et de les utiliser pour modéliser précisément le dataset.


Pour continuer sur la transformation des variables, voici un shot :


👉 À toi de jouer : quelles sont les autres façons de gérer ce type de features ?


Commentaires

Avatar

ou participer

À lire ensuite

Des shots dans la même veine, à lire entre deux tâches.

Voir tous les shots
caret-right