Feature engineering
Le feature engineering est le processus qui transforme des données brutes en variables (features) exploitables par un modèle de machine learning. Il intervient après le nettoyage des données, avant l’entraînement, et conditionne directement la précision du modèle final.
Trois étapes principales : la sélection de features (garder les variables pertinentes, écarter le bruit), l’extraction (dériver de nouvelles variables à partir des données brutes) et la création de features (combiner ou transformer des variables existantes pour en révéler la valeur prédictive). Cette étape reste largement manuelle et dépend fortement de la connaissance du domaine — un data scientist RH doit comprendre ce qui fait sens en gestion des talents pour construire des variables pertinentes.
En RH, exemple concret : transformer une date d’embauche brute en variable « ancienneté en mois », ou combiner plusieurs indicateurs (absences, évaluations, mobilité) en un score composite de risque de départ. La qualité de ces variables construites pèse souvent plus lourd dans la performance finale que le choix de l’algorithme lui-même.
Retrouvez tous les termes dans le lexique SIRH et IA de yapluqua.com.