{"templateName":"base-page-template54","cssClassNames":"page basicpage summit-page","allowedRenditionsWidth":["320","480","640","768","960","1200","1440","1920"],"description":"Erfahren Sie, was Feature Engineering ist und wie richtige Techniken die Modellgenauigkeit, Generalisierung und Zuverlässigkeit in der Produktion verbessern.","language":"de","title":"Feature Engineering: Techniken, Prozesse und Beispiele","analyticsPageType":"homepage","analyticsCategory":"general","analyticsSubCategory":"","excludeFromAnalytics":false,":path":"/content/snowflake-site/global/de/artificial-intelligence/machine-learning/feature-engineering",":mappedPath":"/de/artificial-intelligence/machine-learning/feature-engineering/",":type":"snowflake-site/components/structure/page",":items":{"root":{"columnCount":12,"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnClassNames":{"markup_editor_928258845":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-banner":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-header":"aem-GridColumn aem-GridColumn--default--12","responsivegrid":"aem-GridColumn aem-GridColumn--default--12","markup_editor_597730182":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-footer":"aem-GridColumn aem-GridColumn--default--12","experiencefragment":"aem-GridColumn aem-GridColumn--default--12","modal_container":"aem-GridColumn aem-GridColumn--default--12","markup_editor":"aem-GridColumn aem-GridColumn--default--12"},":items":{"experiencefragment-banner":{"id":"experiencefragment-91f4d77ea5","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/pushdown-banner/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/pushdown-banner/master.xfmodel.json?callerPage=/content/snowflake-site/global/de/artificial-intelligence/machine-learning/feature-engineering"},"experiencefragment-header":{"id":"experiencefragment-ecbe6ddb4c","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/mega-nav-header/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/mega-nav-header/master.xfmodel.json?callerPage=/content/snowflake-site/global/de/artificial-intelligence/machine-learning/feature-engineering"},"responsivegrid":{"columnCount":12,"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnClassNames":{"flexible_column_cont_939100716":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1158003461":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_663228916":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_912630531":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1398138236":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1786318617":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1467213961":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1377146023":"aem-GridColumn aem-GridColumn--default--12"},":items":{"flexible_column_cont":{"id":"flexible-column-container-e897bfa545","propertiesId":"hub-hero-breadcrumbs","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-fbc3ac0cfd",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"breadcrumb":{"id":"breadcrumb-3384a0b1f2","items":[{"id":"breadcrumb-3384a0b1f2-item-b4dc78da23","link":{"valid":true,"url":"/de/artificial-intelligence/"},"active":false,"current":false,"title":"Künstliche Intelligenz",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-3384a0b1f2-item-1b882f3034","link":{"valid":true,"url":"/de/artificial-intelligence/machine-learning/"},"active":false,"current":false,"title":"Machine Learning",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-3384a0b1f2-item-f2e630540b","link":{"valid":true,"url":"/de/artificial-intelligence/machine-learning/feature-engineering/"},"active":true,"current":true,"title":"Feature Engineering",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"}],":type":"snowflake-site/components/breadcrumb"}},":itemsOrder":["breadcrumb"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_939100716":{"id":"flexible-column-container-bfdb704261","propertiesId":"hub-hero","type":"2-column-even","alignColumns":"center","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"extra-small","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-58c4166e40",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-78dfb3a813","additionalClasses":"hub-hero__headline","type":"heading1","lines":["Feature Engineering: Die Entscheidungen, die die Qualität von ML-Modellen prägen"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text":{"id":"text-40a449038f","additionalClasses":"hub-hero__subheadline","text":"\u003Cp\u003EBeim Feature Engineering werden Rohdaten in Signale übersetzt, die ein Modell für maschinelles Lernen tatsächlich nutzen kann. Dieser Artikel erklärt, warum diese Darstellungsentscheidungen die Modellgenauigkeit, Generalisierung und Zuverlässigkeit in der Produktion prägen.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"container":{"additionalClasses":"hub-hero__authors","layout":"RESPONSIVE_GRID","columnCount":12,"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnClassNames":{"content_chip_copy":"aem-GridColumn aem-GridColumn--default--12","content_chip":"aem-GridColumn aem-GridColumn--default--12"},"id":"container-a32ee24c17",":type":"snowflake-site/components/container",":items":{"content_chip":{"id":"content-chip-517f62aa4e","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Biografie lesen"},"image":{"id":"image","height":"800","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--a7e9fdff-6f08-4edc-9cd1-e213bb234aaa/laurie-macpherson.jpg?preferwebp=true&quality=85","lazyEnabled":true,"alt":"Laurie MacPherson","width":"800",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Laurie MacPherson","Technical Writer, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"},"content_chip_copy":{"id":"content-chip-73fabac852","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/authors/gulnaz-sharipova/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Biografie lesen"},"image":{"id":"image","height":"512","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--f7c921fe-d10f-4d90-ac38-c79aff7cf132/gulnaz-photo.jpg?preferwebp=true&quality=85","lazyEnabled":true,"alt":"Gulnaz Sharipova","width":"512",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Gulnaz Sharipova","Lokale Redakteurin, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"}},":itemsOrder":["content_chip","content_chip_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["title_v2","text","container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"additionalClasses":"hub-hero__video-column","layout":"SIMPLE","id":"container-f02a6e5d34",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"youtube":{"id":"embed-803c1d3970","youtubeVideoId":"-HWNc-Hd90U","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"}},":itemsOrder":["youtube"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1398138236":{"id":"flexible-column-container-0a25d01b57","propertiesId":"hub-hero-related-topics","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"related-topics-outer-container border-top","layout":"SIMPLE","id":"container-d65c6a4fb5",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text_894059747":{"id":"text-b3a2084994","additionalClasses":"seo-hub-hero__related-topic-label","text":"\u003Cp\u003EThemen rund um maschinelles Lernen:\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text":{"id":"text-94ac3cd953","additionalClasses":"related-topics ","text":"\u003Cul\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/machine-learning/automl/\"\u003EAutoML\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/machine-learning/deep-learning/\"\u003EDeep Learning\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/machine-learning/frameworks/\"\u003EML-Frameworks\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/machine-learning/inference/\"\u003EML-Inferenz\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/machine-learning/models/\"\u003EML-Modelle\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/machine-learning/mlops/\"\u003EMLOps\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/machine-learning/neural-network/\"\u003ENeuronale Netze\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/machine-learning/reinforcement-learning/\"\u003EReinforcement Learning\u003C/a\u003E\u003C/li\u003E\n\u003C/ul\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small"}},":itemsOrder":["text_894059747","text"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_663228916":{"id":"flexible-column-container-f899f791df","propertiesId":"hub-body","type":"2-column-60-40","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"medium","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"longform-content","layout":"SIMPLE","id":"hub-body-content",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"callout__0":{"id":"text-e829ff8263","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cstrong\u003EDEFINITION VON FEATURE ENGINEERING\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EFeature Engineering ist der Prozess der Erstellung, Transformation und Auswahl von Modelleingaben aus Rohdaten, damit ein Modell für maschinelles Lernen nützliche Muster erkennen und bessere Vorhersagen treffen kann.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text__0":{"id":"text-0c7fddc4aa","text":"\u003Cp\u003EMontagmorgen geht ein neues Modell für maschinelles Lernen live, und bis zum Mittagessen ertrinken die Analyst:innen in falsch-positiven Ergebnissen. Fälle mit hoher Priorität werden übersehen, Routinefälle werden eskaliert, und niemand kann erklären, warum die reale Performance des Modells so stark von seinen Validierungsergebnissen abweicht.\u003C/p\u003E\n\u003Cp\u003EDas Problem ist nicht unbedingt der Algorithmus. Es könnte die Art und Weise sein, wie die Daten dargestellt wurden. Vielleicht wurden Transaktionsbeträge als Rohwerte verwendet, aber das Modell hat nie erkannt, wie ungewöhnlich ein Kauf für diese:n spezielle:n Kund:in war. Oder vielleicht wurden Kategorien so codiert, dass irreführende Beziehungen entstanden sind. Das Modell wurde möglicherweise mit genauen Daten trainiert, aber die Signale innerhalb dieser Daten wurden nicht richtig übersetzt.\u003C/p\u003E\n\u003Cp\u003EDas ist die Aufgabe von Feature Engineering: Rohdaten in Eingaben zu verwandeln, die ein Modell für maschinelles Lernen tatsächlich nutzen kann. Es umfasst vertraute Datenaufbereitungs-Tasks wie den Umgang mit fehlenden Werten, die Codierung von Kategorien und die Skalierung numerischer Felder, beinhaltet aber auch tiefere Darstellungsentscheidungen darüber, was das Modell wissen sollte und in welcher Form. Diese Entscheidungen bestimmen, wie viel nützliches Signal das Modell erreicht – und wie gut das Modell abschneidet, wenn es auf reale Daten trifft.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_what-is-feature-engineering":{"id":"title-v2-0db21865cf","additionalClasses":"anchor-title anchor-title--what-is-feature-engineering","type":"heading2","lines":["Was ist Feature Engineering?"],":type":"snowflake-site/components/title-v2"},"text_what-is-feature-engineering_0":{"id":"text-bf4860db77","text":"\u003Cp\u003EFeature Engineering ist der Prozess, bei dem Domänenwissen genutzt wird, um Eingabevariablen – sogenannte Features – aus Rohdaten zu erstellen, zu transformieren und auszuwählen, damit ein Modell für maschinelles Lernen genauere Vorhersagen treffen kann.\u003C/p\u003E\r\n\u003Cp\u003EEin Feature kann eine direkt verwendete Quellspalte sein, wie der Transaktionsbetrag oder das Kontoalter in Tagen, oder es kann abgeleitet sein, wie der durchschnittliche Bestellwert einer Kund:in in den letzten 90 Tagen, die Anzahl der fehlgeschlagenen Authentifizierungsversuche in der letzten Stunde oder ein Verhältnis zwischen zwei Kennzahlen, die einzeln weniger aussagekräftig sind als zusammen.\u003C/p\u003E\r\n\u003Cp\u003EFeature Engineering ist zwischen Rohdaten und Modelltraining angesiedelt. Teams extrahieren Signale aus Quellsystemen, transformieren sie in modellfertige Eingaben, bewerten, welche davon die Validierungs-Performance verbessern, und übertragen die genehmigte Logik zur Wiederverwendung in Feature-Pipelines oder einen \u003Ca href=\"https://www.snowflake.com/de/fundamentals/feature-store/\"\u003EFeature Store\u003C/a\u003E. Die Entscheidung, welche Features ein Modell benötigt, beinhaltet die Entscheidung, was das Modell über die Domäne verstehen muss.\u003C/p\u003E\r\n\u003Cp\u003EFeature Engineering erfordert die Zusammenarbeit von Data Scientists, Data Engineers und Domänenexpert:innen, da es das Verständnis des Teams für das Geschäftsproblem in das Modell codiert. Wenn es gut gemacht ist, gehört es zu den wirkungsvollsten Aktivitäten im Lebenszyklus für \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/machine-learning/\"\u003Emaschinelles Lernen\u003C/a\u003E.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_why-feature-engineering-matters-for-model-accuracy-and-generalization":{"id":"title-v2-0975f1d1fc","additionalClasses":"anchor-title anchor-title--why-feature-engineering-matters-for-model-accuracy-and-generalization","type":"heading2","lines":["Warum Feature Engineering für Modellgenauigkeit und Generalisierung wichtig ist"],":type":"snowflake-site/components/title-v2"},"text_why-feature-engineering-matters-for-model-accuracy-and-generalization_0":{"id":"text-2eadf842c1","text":"\u003Cp\u003EDie Qualität eines Modells wird durch seine Eingabedaten begrenzt. Keine noch so gute Algorithmusauswahl, Hyperparameter-Anpassung oder Rechenressource kann ein Signal wiederherstellen, das im Feature-Set von vornherein nicht vorhanden war. Beim Feature Engineering wird diese Obergrenze festgelegt – und hier haben Teams eine direktere Kontrolle über die Modellqualität als an fast jedem anderen Punkt im ML-Lebenszyklus.\u003C/p\u003E\n\u003Cp\u003EEine Möglichkeit, diese Obergrenze festzulegen, ist die Repräsentation. Dieselben zugrunde liegenden Daten, unterschiedlich ausgedrückt, vermitteln dem Modell ein grundlegend anderes Bild des Problems. Betrachten wir ein Churn-Modell, das auf Produktnutzungsdaten basiert. Die reine Anzahl der Logins in den letzten 30 Tagen verrät dem Modell, wie aktiv ein:e Kund:in war. Was die Abwanderung jedoch tatsächlich vorhersagt, ist oft die Veränderung dieser Aktivität – wenn sich ein:e Kund:in nur noch halb so oft anmeldet wie vor 60 Tagen, ist das eine andere Situation als bei jemandem, der sich schon immer in dieser Häufigkeit angemeldet hat. Die zugrunde liegenden Daten sind dieselben. Als Trend und nicht als bloße Anzahl ausgedrückt, enthalten sie ein Signal, das der Rohwert allein nicht bietet.\u003C/p\u003E\n\u003Cp\u003EPedro Domingos’ grundlegender Artikel \u003Ca href=\"https://homes.cs.washington.edu/~pedrod/papers/cacm12.pdf\" target=\"_blank\"\u003E„A Few Useful Things to Know About Machine Learning“\u003C/a\u003E (Einige nützliche Dinge über maschinelles Lernen) identifiziert die Repräsentation als eines der zentralen Probleme in diesem Bereich. Diese Beobachtung gilt nach wie vor: Wenn die verfügbaren Features die Struktur des Problems nicht erfassen, hat der Algorithmus weniger Informationen, mit denen er arbeiten kann – unabhängig davon, wie gut er angepasst ist.\u003C/p\u003E\n\u003Cp\u003EFeature Engineering wirkt sich auch auf die Generalisierung aus. Ein Modell, das mit Features trainiert wurde, die echte, dauerhafte Muster in den Daten widerspiegeln, liefert mit größerer Wahrscheinlichkeit genaue Vorhersagen, wenn es auf neue Kund:innen, neue Produkte oder eine andere Betriebsumgebung trifft. Ein Modell, das mit Features trainiert wurde, die in der Trainingsphase zufällig mit dem Ziel korrelieren – aber aus nebensächlichen Gründen –, wird in der Produktion schneller an Leistung verlieren.\u003C/p\u003E\n\u003Cp\u003E\u003Cem\u003ESehen Sie sich an, wie Sie Feature Engineering mit Agentic ML vereinfachen können:\u003C/em\u003E\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"yt_why-feature-engineering-matters-for-model-accuracy-and-generalization_0":{"id":"embed-091cb537d8","youtubeVideoId":"zARMUTv_H5Y","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"},"title_the-feature-engineering-process":{"id":"title-v2-7ce7407a91","additionalClasses":"anchor-title anchor-title--the-feature-engineering-process","type":"heading2","lines":["Der Feature-Engineering-Prozess"],":type":"snowflake-site/components/title-v2"},"text_the-feature-engineering-process_0":{"id":"text-a10d906430","text":"\u003Cp\u003EFeature Engineering beginnt in der Regel mit dem Vorhersageproblem und arbeitet sich dann rückwärts in die Daten vor. Ein Team, das eine Nachfrageprognose erstellt, benötigt beispielsweise andere Signale als ein Team, das Support-Tickets klassifiziert, selbst wenn beide Teams Kunden-, Produkt- und Zeitreihendaten verwenden.\u003C/p\u003E\n\u003Cp\u003EEin praktischer Prozess umfasst in der Regel die folgenden Schritte:\u003C/p\u003E\n\u003Col\u003E\n\u003Cli\u003E\u003Cstrong\u003EDie Daten und das Problem verstehen:\u003C/strong\u003E Definieren Sie das Vorhersageziel, die Entscheidung, die das Modell unterstützen soll, sowie die Einschränkungen in Bezug auf Latenz, Erklärbarkeit und Datenzugriff.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003ERohdaten erkunden und analysieren:\u003C/strong\u003E Untersuchen Sie Verteilungen, fehlende Werte, Ausreißer, Korrelationen, Kategorienkardinalität und zeitbasierte Muster.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003EFeatures erstellen und transformieren:\u003C/strong\u003E Leiten Sie Kennzahlen wie Verhältnisse, rollierende Zeitfenster, Anzahlen, Flags, Interaktionen und normalisierte Werte ab.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003EFeature-Relevanz bewerten:\u003C/strong\u003E Nutzen Sie statistische Tests, modellbasierte Wichtigkeitsmaße, fachliche Überprüfungen und Validierungsergebnisse, um zu ermitteln, welche Features ein nützliches Signal enthalten.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003EAnhand der Modell-Performance validieren:\u003C/strong\u003E Trainieren und testen Sie Modelle mithilfe kontrollierter Experimente und achten Sie dabei auf Leakage, Overfitting und Drift zwischen Trainings- und Produktionsdaten.\u003C/li\u003E\n\u003C/ol\u003E\n\u003Cp\u003EDer Prozess ist iterativ. Ein:e Data Scientist könnte Verhältnisse, Anzahlen, rollierende Aggregate, Lag-Features, Flags, kategoriale Kodierungen oder Interaktionsterme ableiten und dann testen, ob diese Eingaben die Performance bei zurückgehaltenen Daten verbessern. Einige Features erweisen sich sofort als nützlich. Andere fallen weg, weil sie Informationen aus dem Feature preisgeben, sich über Zeiträume hinweg zu stark verschieben oder von Daten abhängen, die bei der \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/machine-learning/inference/\"\u003EInferenz\u003C/a\u003E nicht verfügbar sind.\u003C/p\u003E\n\u003Cp\u003EDer Prozess erfordert Disziplin, da sich die Feature-Logik ausbreiten und voneinander abweichen kann. Eine in einem Notebook getestete, in einer Trainings-Pipeline neu formulierte und für einen Echtzeit-Scoring-Dienst ein drittes Mal umgeschriebene Berechnung kann drei leicht unterschiedliche Werte für dasselbe zugrunde liegende Konzept liefern. Reproduzierbare Feature-Pipelines und Feature Stores existieren, um diese Art von Drift zu verhindern – sie bewahren die während des Trainings verwendeten Definitionen und stellen sie konsistent für die Batch- oder Echtzeit-Inferenz zur Verfügung.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_feature-engineering-techniques":{"id":"title-v2-25546220a2","additionalClasses":"anchor-title anchor-title--feature-engineering-techniques","type":"heading2","lines":["Feature-Engineering-Techniken"],":type":"snowflake-site/components/title-v2"},"text_feature-engineering-techniques_0":{"id":"text-4cf5f195c6","text":"\u003Cp\u003EDas Feature Engineering stützt sich auf eine Vielzahl von Techniken. Einige bereiten Rohdaten für die Modellierung vor. Andere konstruieren neue Signale aus bestehenden Feldern. Die richtige Kombination hängt vom Datentyp, der Modellfamilie und der Entscheidung ab, die das Modell unterstützen soll.\u003C/p\u003E\r\n\u003Ch3\u003EImputation und Umgang mit Ausreißern\u003C/h3\u003E\r\n\u003Cp\u003EFehlende Werte erfordern eine Interpretation, bevor sie behandelt werden können. Ein leeres Feld kann darauf hinweisen, dass ein Wert unbekannt, optional, zurückgehalten, zum Zeitpunkt der Erfassung nicht verfügbar oder schlichtweg nicht vorhanden war. Die Imputation füllt Lücken mithilfe von Methoden wie Mittelwert, Median, Modus, konstanten Werten oder modellbasierten Schätzungen. In vielen Fällen fügen Teams auch einen binären Indikator für das Fehlen von Werten hinzu, sodass das Modell lernen kann, ob das Fehlen eines Wertes an sich informativ ist – was oft der Fall ist.\u003C/p\u003E\r\n\u003Cp\u003EAuch Ausreißer erfordern Urteilsvermögen. Eine ungewöhnlich große Transaktion könnte Betrug, ein legitimer Unternehmenskauf oder ein Dateneingabefehler sein. Teams können Werte bei einem bestimmten Schwellenwert kappen, eine Transformation zur Reduzierung der Schiefe anwenden, eindeutig fehlerhafte Datensätze entfernen oder Extremwerte beibehalten, wenn sie ein aussagekräftiges Verhalten widerspiegeln, das vom Modell erkannt werden soll. Die Behandlung von Ausreißern ist eine Repräsentationsentscheidung, da sie die Version der Realität definiert, mit der das Modell trainiert wird.\u003C/p\u003E\r\n\u003Ch3\u003ESkalierung und Normalisierung\u003C/h3\u003E\r\n\u003Cp\u003EDie Skalierung passt den Bereich numerischer Features an, sodass Größenunterschiede keine künstlichen Unterschiede im Modellverhalten erzeugen. Die Min-Max-Skalierung bildet Werte auf ein festes Intervall ab. Die Z-Score-Standardisierung drückt Werte relativ zum Mittelwert und zur Standardabweichung der Verteilung aus. Die robuste Skalierung verwendet den Median und den Interquartilsabstand, was gegenüber Ausreißern weniger anfällig ist als mittelwertbasierte Methoden.\u003C/p\u003E\r\n\u003Cp\u003EDie Empfindlichkeit gegenüber der Skalierung variiert je nach Modelltyp. Lineare Modelle, neuronale Netze und distanzbasierte Algorithmen sind stärker von unskalierten Features betroffen. Baumbasierte Modelle sind im Allgemeinen weniger empfindlich, obwohl Teams die Vorverarbeitung standardisieren können, wenn dasselbe Feature-Set mehrere nachgelagerte Modelle oder Systeme speist.\u003C/p\u003E\r\n\u003Ch3\u003ECodierung kategorialer Variablen\u003C/h3\u003E\r\n\u003Cp\u003EDie meisten ML-Modelle erfordern, dass kategoriale Werte numerisch ausgedrückt werden. One-Hot-Encoding erstellt eine binäre Indikatorspalte für jede Kategorie – unkompliziert, wenn die Kardinalität niedrig ist. Ordinales Encoding bewahrt eine sinnvolle Reihenfolge, wie z. B. niedrig, mittel und hoch. Label-Encoding weist Kategorien ganzzahlige IDs zu, kann aber unbeabsichtigt eine Reihenfolge implizieren, wo keine existiert.\u003C/p\u003E\r\n\u003Cp\u003EFelder mit hoher Kardinalität wie Händlerkennungen, Produkt-SKUs oder geografische Codes erfordern mehr Sorgfalt. Eine Kategorie mit Tausenden von Ausprägungen macht One-Hot-Encoding unpraktisch. Target-Encoding und Mean-Encoding können helfen, indem sie Kategorie-Labels durch Statistiken ersetzen, die aus dem Vorhersageziel abgeleitet werden. Diese Ansätze erfordern jedoch eine strenge Validierung, um Data Leakage aus dem Holdout-Set zu verhindern.\u003C/p\u003E\r\n\u003Ch3\u003ETransformation, Binning und Diskretisierung\u003C/h3\u003E\r\n\u003Cp\u003ETransformationen passen die Verteilung eines Features oder seine Beziehung zum Ziel an. Eine Log-Transformation kann den Einfluss von Long-Tail-Werten wie Umsatz, Sitzungsdauer oder Kontostand reduzieren. \u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://www.statisticshowto.com/probability-and-statistics/normal-distributions/box-cox-transformation/\"\u003EBox-Cox\u003C/a\u003E und verwandte Transformationen können numerische Features besser für Modelle geeignet machen, die Verteilungsannahmen treffen, obwohl Box-Cox selbst streng positive Werte erfordert.\u003C/p\u003E\r\n\u003Cp\u003E\u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://developers.google.com/machine-learning/crash-course/numerical-data/binning?hl=de\"\u003EBinning\u003C/a\u003E gruppiert kontinuierliche Werte in diskrete Intervalle. Ein Modell könnte Altersgruppen anstelle des genauen Alters, Zugehörigkeitsintervalle anstelle der genauen Tage seit der Anmeldung oder Ausgabenstufen anstelle von Transaktionsbeträgen erhalten. Binning kann einige Muster leichter erlernbar und in regulierten Kontexten leichter erklärbar machen. Wenn Domänen-Schwellenwerte bereits eine Rolle spielen – regulatorische Grenzwerte, Produktstufengrenzen, klinische Bereiche –, erzeugen Bins, die an diesen Schwellenwerten ausgerichtet sind, oft aussagekräftigere Features als rohe numerische Werte.\u003C/p\u003E\r\n\u003Ch3\u003EFeature-Erstellung\u003C/h3\u003E\r\n\u003Cp\u003EBei der Feature-Erstellung hat Domänenwissen die direkteste Auswirkung. Ein Händler, der die Nachfrage prognostiziert, benötigt möglicherweise Features für die jüngste Verkaufsgeschwindigkeit, den Lagerbestand, das Timing von Werbeaktionen und die Nähe zu lokalen Ereignissen. Ein Sicherheitsmodell benötigt möglicherweise die Rate fehlgeschlagener Anmeldungen, Scores für die Neuheit von Geräten, Indikatoren für unmögliche Reisen und Verhaltensabweichungen von der eigenen Baseline des Kontos. Ein Customer-Health-Modell benötigt möglicherweise Trends beim Produkt-Engagement, Muster bei Support-Interaktionen und Änderungen des Vertragsstatus.\u003C/p\u003E\r\n\u003Cp\u003EFeature-Crossing kombiniert Felder, um Interaktionen zu erfassen: Produktkategorie nach Region, Kundensegment nach Kanal, Gerätetyp nach Tageszeit. Polynomielle Features helfen einigen Modellfamilien, nichtlineare Beziehungen darzustellen. Temporale Features extrahieren Struktur aus Zeitstempeln: Tageszeit, Wochentag, verstrichene Zeit seit dem letzten Ereignis, gleitende Durchschnitte, verzögerte Werte und zyklische Codierungen für sich wiederholende Muster.\u003C/p\u003E\r\n\u003Ch3\u003EDimensionalitätsreduktion\u003C/h3\u003E\r\n\u003Cp\u003EWenn ein Dataset breit, verrauscht oder stark korreliert ist, können Methoden zur Dimensionalitätsreduktion den Feature-Raum verdichten und gleichzeitig nützliche Informationen erhalten. Die Hauptkomponentenanalyse projiziert korrelierte numerische Features auf eine kleinere Menge von Komponenten. Autoencoder und ähnliche Methoden können kompakte Repräsentationen aus komplexeren Eingaben lernen.\u003C/p\u003E\r\n\u003Cp\u003EDer Kompromiss ist die Interpretierbarkeit. Eine reduzierte Repräsentation kann die Modelleffizienz und manchmal die Performance verbessern, aber die resultierenden Komponenten entsprechen möglicherweise nichts, was für Domänenexpert:innen nachvollziehbar ist. Bei Use Cases mit hohem Risiko oder in regulierten Bereichen hat dieser Verlust an Transparenz reale Konsequenzen, und Teams müssen den Nutzen gegen das abwägen, was aufgegeben wird.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_feature-engineering-techniques_0":{"id":"text-c8ecd1d0da","additionalClasses":"callout callout--warning","text":"\u003Cp\u003E\u003Cstrong\u003EHÄUFIGER FALLSTRICK\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EFeature Engineering sollte nicht nur als mechanischer Vorverarbeitungsschritt behandelt werden. Der Umgang mit fehlenden Werten, das Codieren von Kategorien oder das Erstellen gleitender Durchschnitte erfordern allesamt wichtige Ermessensentscheidungen.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"title_feature-engineering-vs-feature-selection-vs-feature-extraction-vs-feature-stores":{"id":"title-v2-6b70856307","additionalClasses":"anchor-title anchor-title--feature-engineering-vs-feature-selection-vs-feature-extraction-vs-feature-stores","type":"heading2","lines":["Feature Engineering vs. Feature-Auswahl vs. Feature-Extraktion vs. Feature Stores"],":type":"snowflake-site/components/title-v2"},"text_feature-engineering-vs-feature-selection-vs-feature-extraction-vs-feature-stores_0":{"id":"text-7467e30eb0","text":"\u003Cp\u003EDiese Begriffe tauchen häufig zusammen auf, da sie im ML-Workflow eng beieinanderliegen. Hier ist ein kurzer Überblick über die einzelnen Begriffe.\u003C/p\u003E\n\u003Ch3\u003EFeature Engineering\u003C/h3\u003E\n\u003Cp\u003EFeature Engineering ist die umfassende Praxis der Vorbereitung von Modelleingaben aus Rohdaten. Es umfasst das Erstellen von Features, das Transformieren von Werten, den Umgang mit fehlenden Daten, das Codieren von Kategorien, die Anwendung von Dimensionalitätsreduktion und die Festlegung, welche Features für das Training verwendet werden sollen. Die anderen unten aufgeführten Aktivitäten sind Teilmengen oder Ergänzungen dieser umfassenderen Arbeit.\u003C/p\u003E\n\u003Ch3\u003EFeature-Auswahl\u003C/h3\u003E\n\u003Cp\u003EDie Feature-Auswahl bestimmt, welche Features aus dem verfügbaren Satz in das Modell gehören. Teams entfernen Features, die redundant, instabil, nur schwach mit dem Ziel verbunden, in Produktionskontexten schwer zu erklären oder zur Inferenzzeit nicht verfügbar sind.\u003C/p\u003E\n\u003Cp\u003EDie Auswahl kann Overfitting reduzieren und die Modelleffizienz verbessern. Sie bietet auch operative Vorteile. Ein Modell mit weniger stabilen, gut verstandenen Features ist in der Produktion in der Regel einfacher zu überwachen und leichter zu prüfen als eines, das von vielen schwachen oder sich überschneidenden Eingaben abhängt. Gängige Ansätze umfassen statistische Filtermethoden, Wrapper-Methoden, die Feature-Teilmengen anhand der Modell-Performance bewerten, und eingebettete Methoden, die Modellinterna wie Regularisierungskoeffizienten und baumbasierte Wichtigkeitswerte nutzen, um zu ermitteln, welche Features ins Gewicht fallen.\u003C/p\u003E\n\u003Ch3\u003EFeature-Extraktion\u003C/h3\u003E\n\u003Cp\u003EDie Feature-Extraktion leitet Strukturen aus rohen oder komplexen Daten ab. Ein Zeitstempel kann den Wochentag, den Monat oder die verstrichene Zeit seit einem Referenzereignis liefern. Ein Freitextfeld kann Begriffshäufigkeiten, Sentiment-Scores oder dichte Vektor-Embeddings erzeugen. Ein Bildmodell kann Kanten, Texturen oder erlernte Repräsentationen aus Zwischenschichten des Netzwerks extrahieren.\u003C/p\u003E\n\u003Cp\u003EIn der Praxis überschneidet sich die Extraktion stark mit der Feature-Erstellung. Der Unterschied liegt in der Schwerpunktsetzung: Die Extraktion konzentriert sich darauf, Strukturen aus Roheingaben herauszuziehen, während Feature Engineering den breiteren Workflow der Vorbereitung dieser Eingaben für die Modellierung abdeckt.\u003C/p\u003E\n\u003Ch3\u003EFeature Stores\u003C/h3\u003E\n\u003Cp\u003EEin Feature Store ist ein verwaltetes Repository für Feature-Definitionen, berechnete Feature-Werte und zugehörige Metadaten. Er hilft Teams dabei, Features projektübergreifend wiederzuverwenden, duplizierte Pipeline-Logik zu reduzieren und Feature-Definitionen zur Trainingszeit mit denen zur Inferenzzeit konsistent zu halten.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_data-augmentation":{"id":"title-v2-5153cbe4b3","additionalClasses":"anchor-title anchor-title--data-augmentation","type":"heading2","lines":["Data Augmentation"],":type":"snowflake-site/components/title-v2"},"text_data-augmentation_0":{"id":"text-0d58749d46","text":"\u003Cp\u003EData Augmentation erweitert Trainingsdaten durch die Generierung modifizierter Versionen bestehender Beispiele. Sie ist am häufigsten in der Computer Vision und der Verarbeitung natürlicher Sprache anzutreffen, wo bestimmte Modifikationen die Vielfalt des Trainingssatzes erhöhen können, ohne das Label zu ändern.\u003C/p\u003E\n\u003Cp\u003EBei Bildern kann die Augmentation Spiegelungen, Rotationen, Zuschnitte, Helligkeitsanpassungen oder kleine Verschiebungen umfassen. Bei Text kann sie Synonymersetzung, Paraphrasierung oder kontrollierte Störungen beinhalten. Für tabellarische Daten mit Klassenungleichgewicht generieren Techniken wie \u003Ca href=\"https://www.jair.org/index.php/jair/article/view/10302\" target=\"_blank\"\u003ESMOTE\u003C/a\u003E synthetische Beispiele für unterrepräsentierte Klassen.\u003C/p\u003E\n\u003Cp\u003EDie Schlüsselfrage bei jeder Augmentation-Entscheidung ist, ob das modifizierte Beispiel immer noch dasselbe darstellt. Das Drehen eines Produktbildes kann das Label in einer E-Commerce-Klassifizierungsaufgabe erhalten. In einem Modell zur Fehlererkennung in der Fertigung kann die Ausrichtung Informationen über die Art des Fehlers enthalten. Augmentation ist nützlich, wenn sie Variationen widerspiegelt, gegen die das Modell robust sein sollte; sie ist kontraproduktiv, wenn sie das Signal zerstört.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_embeddings":{"id":"title-v2-22da8a883d","additionalClasses":"anchor-title anchor-title--embeddings","type":"heading2","lines":["Embeddings"],":type":"snowflake-site/components/title-v2"},"text_embeddings_0":{"id":"text-55e6076500","text":"\u003Cp\u003EEmbeddings sind dichte Vektorrepräsentationen, die Beziehungen in Daten kodieren. Sie sind in Text-, Bild-, Empfehlungs- und kategorialen Workflows mit hoher Kardinalität üblich, in denen Rohwerte eine reichhaltigere numerische Form benötigen, als Kodierungsschemata bieten können.\u003C/p\u003E\n\u003Cp\u003EBeispielsweise hat eine Produkt-ID als reine Ganzzahl wenig inhärente Bedeutung, aber ein Embedding kann dieses Produkt basierend auf Beschreibungen, gemeinsamem Kaufverhalten, visuellen Attributen oder Browsing-Mustern in der Nähe ähnlicher Produkte positionieren. Ein Text-Embedding kann semantisch verwandte Phrasen im Vektorraum nahe beieinander platzieren, was es nützlich für Suche, Klassifizierung, Empfehlungen und \u003Ca href=\"https://www.snowflake.com/de/fundamentals/rag/\"\u003ERetrieval-Augmented Generation\u003C/a\u003E (RAG) macht.\u003C/p\u003E\n\u003Cp\u003EEmbeddings nehmen eine interessante Position in Bezug auf Feature Engineering ein. Sie können als erlernte Features dienen, die an nachgelagerte Modelle weitergegeben werden, genau wie handgefertigte Features. Sie stellen auch eine andere Art der Feature-Entwicklung dar – eine, bei der Repräsentationen aus großen Datasets erlernt und nicht durch Domänenanalyse definiert werden. In der Praxis kombinieren viele Produktions-ML-Systeme beides: erlernte Embeddings für Inhalts- oder Identitäts-Features und entwickelte Features für verhaltensbezogene, zeitliche und kontextuelle Signale.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_automated-feature-engineering":{"id":"title-v2-20bb424cf9","additionalClasses":"anchor-title anchor-title--automated-feature-engineering","type":"heading2","lines":["Automatisiertes Feature Engineering"],":type":"snowflake-site/components/title-v2"},"text_automated-feature-engineering_0":{"id":"text-3b0e5f1364","text":"\u003Cp\u003EAutomatisiertes Feature Engineering nutzt Software, um in großem Maßstab Kandidaten-Features aus Rohdaten zu generieren. Tools wie Featuretools verwenden Methoden wie Deep Feature Synthesis, um systematisch Features über verwandte Tabellen hinweg zu erstellen. AutoML-Systeme können Transformationen, Kodierungen und Interaktions-Features als Teil eines breiteren Modellentwicklungs-Workflows generieren.\u003C/p\u003E\n\u003Cp\u003EAutomatisierung ist am nützlichsten, wenn der Suchraum groß ist oder sich die Kandidatentransformationen wiederholen. Ein System kann rollierende Aggregate, aus Datumsangaben abgeleitete Felder, kategoriale Kodierungen und Zusammenfassungen auf Tabellenebene schneller generieren, als ein Team jedes Feature manuell schreiben kann.\u003C/p\u003E\n\u003Cp\u003EDomänenwissen muss jedoch weiterhin die Arbeit leiten – Expertenprüfung, Validierung und Governance bestimmen, welche Features angemessen zu verwenden sind.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_feature-engineering-on-snowflake":{"id":"title-v2-daf4b2b16d","additionalClasses":"anchor-title anchor-title--feature-engineering-on-snowflake","type":"heading2","lines":["Feature Engineering auf Snowflake"],":type":"snowflake-site/components/title-v2"},"text_feature-engineering-on-snowflake_0":{"id":"text-47bd737459","text":"\u003Cp\u003EFeature Engineering für die Produktion erfordert mehr als nur Transformationscode. Teams benötigen kontrollierten Zugriff auf Quelldaten, skalierbare Verarbeitungskapazität für große Datasets, wiederverwendbare Feature-Definitionen, zuverlässige Feature-Aktualität und einen klaren Pfad von den Trainingsdaten zum bereitgestellten Modell.\u003C/p\u003E\n\u003Cp\u003ESnowflake unterstützt diesen Workflow durch \u003Ca href=\"https://www.snowflake.com/de/product/features/end-to-end-ml-workflows/\"\u003ESnowflake ML\u003C/a\u003E, ein integriertes Set von Funktionen für End-to-End-ML auf Basis kontrollierter Daten, das Feature Engineering, Modelltraining und Inferenz abdeckt.\u003C/p\u003E\n\u003Cp\u003EMit \u003Ca href=\"https://www.snowflake.com/de/product/features/snowpark/\"\u003ESnowpark\u003C/a\u003E können Teams Feature-Transformationen in Python oder SQL schreiben und sie nah an den Daten ausführen, ohne diese in eine externe Umgebung verschieben zu müssen. Der \u003Ca href=\"https://docs.snowflake.com/de/developer-guide/snowflake-ml/feature-store/overview\"\u003ESnowflake Feature Store\u003C/a\u003E bietet verwaltete Feature-Definitionen und Feature-Ansichten, mit denen Teams Feature-Pipelines innerhalb von Snowflake erstellen, materialisieren, abrufen und verwalten können. Feature-Ansichten können Python- oder SQL-Pipelines kapseln, die Rohdaten in modellfertige Features transformieren, und von Snowflake verwaltete Feature-Ansichten können nach einem definierten Zeitplan automatisch aktualisiert werden.\u003C/p\u003E\n\u003Cp\u003EDynamic Tables unterstützen inkrementelle Feature-Pipelines, bei denen SQL-definierte Transformationen aktuell bleiben müssen. Snowflake verwaltet Dynamic Tables als Pipeline, verfolgt Abhängigkeiten und koordiniert Aktualisierungen, sodass nachgelagerte Tabellen einen konsistenten Snapshot ihrer Eingaben widerspiegeln. Dynamic Tables unterstützen zudem Target Lag – eine Vorgabe dazu, wie aktuell die Daten sein sollen – und inkrementelle Aktualisierungen für unterstützte Transformationsmuster.\u003C/p\u003E\n\u003Cp\u003EFür produktives ML kann der Snowflake Feature Store zusammen mit der \u003Ca href=\"https://docs.snowflake.com/de/developer-guide/snowflake-ml/model-registry/overview\"\u003ESnowflake Model Registry\u003C/a\u003E verwendet werden. Die Registry speichert und verwaltet Modellversionen, Metriken und Metadaten, unterstützt Inferenz über Python-, SQL- oder REST-API-Endpunkte und verwaltet den Modellzugriff über \u003Ca href=\"https://www.snowflake.com/en/data-governance/data-security/rbac/\"\u003Erollenbasierte Zugriffskontrolle\u003C/a\u003E (Role-Based Access Control, RBAC).\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_feature-engineering-is-foundational-to-reliable-ml-models":{"id":"title-v2-e974abab56","additionalClasses":"anchor-title anchor-title--feature-engineering-is-foundational-to-reliable-ml-models","type":"heading2","lines":["Feature Engineering ist die Grundlage für zuverlässige ML-Modelle"],":type":"snowflake-site/components/title-v2"},"text_feature-engineering-is-foundational-to-reliable-ml-models_0":{"id":"text-76b80d6e8b","text":"\u003Cp\u003EFeature Engineering wird manchmal als die Vorbereitungsarbeit beschrieben, die vor der eigentlichen Modellierung stattfindet. Doch diese Darstellung verkennt die Bedeutung dieser Arbeit – und was sie tatsächlich beinhaltet. Jede Entscheidung darüber, wie eine Variable dargestellt, ein fehlender Wert behandelt, eine Kategorie codiert oder ein Lag-Feature konstruiert wird, ist eine Entscheidung darüber, was das Modell über die Domäne, in der es operiert, verstehen kann.\u003C/p\u003E\n\u003Cp\u003EAuf Produktionsebene vervielfachen sich diese Darstellungsentscheidungen. Features werden modellübergreifend wiederverwendet, von verschiedenen Teams neu erstellt und in unterschiedlichen Umgebungen neu berechnet. Diese Definitionen konsistent zu halten – von der Exploration über das Training bis hin zur Inferenz – hat direkte Auswirkungen auf die Qualität des Modells.\u003C/p\u003E\n\u003Cp\u003EAus diesem Grund sind Feature Engineering und \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/machine-learning/mlops/\"\u003EMLOps\u003C/a\u003E eng miteinander verbunden. Feature Engineering bestimmt, woraus das Modell lernt, während MLOps dabei hilft, sicherzustellen, dass diese Feature-Definitionen konsistent, beobachtbar und zuverlässig bleiben, wenn Modelle von der Entwicklung in die Produktion übergehen.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_feature-engineering-is-foundational-to-reliable-ml-models_0":{"id":"text-bfd0c78b46","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cstrong\u003EWICHTIGSTE ERKENNTNIS\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EFeature Engineering ist eine der wirkungsvollsten Entscheidungen beim maschinellen Lernen, da es bestimmt, was das Modell in den Daten tatsächlich „sehen“ kann. Starke Features codieren Domänenwissen, verbessern die Vorhersagequalität und helfen Modellen, in der Produktion besser zu bestehen.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"}},":itemsOrder":["callout__0","text__0","title_what-is-feature-engineering","text_what-is-feature-engineering_0","title_why-feature-engineering-matters-for-model-accuracy-and-generalization","text_why-feature-engineering-matters-for-model-accuracy-and-generalization_0","yt_why-feature-engineering-matters-for-model-accuracy-and-generalization_0","title_the-feature-engineering-process","text_the-feature-engineering-process_0","title_feature-engineering-techniques","text_feature-engineering-techniques_0","callout_feature-engineering-techniques_0","title_feature-engineering-vs-feature-selection-vs-feature-extraction-vs-feature-stores","text_feature-engineering-vs-feature-selection-vs-feature-extraction-vs-feature-stores_0","title_data-augmentation","text_data-augmentation_0","title_embeddings","text_embeddings_0","title_automated-feature-engineering","text_automated-feature-engineering_0","title_feature-engineering-on-snowflake","text_feature-engineering-on-snowflake_0","title_feature-engineering-is-foundational-to-reliable-ml-models","text_feature-engineering-is-foundational-to-reliable-ml-models_0","callout_feature-engineering-is-foundational-to-reliable-ml-models_0"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"},"flexible_column_content_container_2":{"additionalClasses":"hub-sidebar","layout":"SIMPLE","id":"hub-body-aside",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"container":{"additionalClasses":"sticky-sidebar","layout":"RESPONSIVE_GRID","columnCount":12,"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnClassNames":{"text_943981956_copy_":"aem-GridColumn aem-GridColumn--default--12","text_copy":"aem-GridColumn aem-GridColumn--default--12"},"id":"container-01785b5302",":type":"snowflake-site/components/container",":items":{"text_943981956_copy_":{"id":"text-831ee56260","additionalClasses":"eyebrow-text","text":"\u003Cp\u003EIn diesem Leitfaden\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular"},"text_copy":{"id":"text-a64e39354c","additionalClasses":"page-toc","text":"\u003Cul\u003E\u003Cli data-anchor=\"what-is-feature-engineering\"\u003EWas ist Feature Engineering?\u003C/li\u003E\u003Cli data-anchor=\"why-feature-engineering-matters-for-model-accuracy-and-generalization\"\u003EWarum Feature Engineering für Modellgenauigkeit und Generalisierung wichtig ist\u003C/li\u003E\u003Cli data-anchor=\"the-feature-engineering-process\"\u003EDer Feature-Engineering-Prozess\u003C/li\u003E\u003Cli data-anchor=\"feature-engineering-techniques\"\u003EFeature-Engineering-Techniken\u003C/li\u003E\u003Cli data-anchor=\"feature-engineering-vs-feature-selection-vs-feature-extraction-vs-feature-stores\"\u003EFeature Engineering vs. Feature-Auswahl vs. Feature-Extraktion vs. Feature Stores\u003C/li\u003E\u003Cli data-anchor=\"data-augmentation\"\u003EData Augmentation\u003C/li\u003E\u003Cli data-anchor=\"embeddings\"\u003EEmbeddings\u003C/li\u003E\u003Cli data-anchor=\"automated-feature-engineering\"\u003EAutomatisiertes Feature Engineering\u003C/li\u003E\u003Cli data-anchor=\"feature-engineering-on-snowflake\"\u003EFeature Engineering auf Snowflake\u003C/li\u003E\u003Cli data-anchor=\"feature-engineering-is-foundational-to-reliable-ml-models\"\u003EFeature Engineering ist die Grundlage für zuverlässige ML-Modelle\u003C/li\u003E\u003C/ul\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small text-color-text-05"}},":itemsOrder":["text_943981956_copy_","text_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"}},":itemsOrder":["container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false},"flexible_column_cont_1786318617":{"id":"flexible-column-container-cc5aa9251a","propertiesId":"hub-faq","type":"2-column-40-60","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-faq-intro",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy":{"id":"title-v2-10cef6d11a","additionalClasses":"hub-faq__headline","type":"heading2","lines":["Häufig gestellte Fragen"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy":{"id":"text-0394bb6d51","additionalClasses":"hub-faq__subheadline","text":"\u003Cp\u003EIhre häufigsten Fragen zum Feature Engineering, beantwortet von Snowflake-Expert:innen.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy","text_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"hub-faq-accordions",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"simple_snowflake_acc":{"id":"simple-snowflake-accordion-1465e7c1f0","additionalClasses":"seo-hub__faqs","showDivider":false,"accordionItemsList":[{"title":"Was ist der Unterschied zwischen Feature Engineering und Feature-Auswahl?","richText":"\u003Cp\u003EFeature Engineering ist der umfassendere Prozess der Erstellung, Transformation und Vorbereitung von Modelleingaben aus Rohdaten. Die Feature-Auswahl ist ein Teil dieses Prozesses. Sie identifiziert, welche Features basierend auf Relevanz, Stabilität, Redundanz, Performance und Verfügbarkeit zur Inferenzzeit in das Modell aufgenommen werden sollten.\u003C/p\u003E"},{"title":"Was ist der Unterschied zwischen Feature Engineering und Feature-Extraktion?","richText":"\u003Cp\u003EDie Feature-Extraktion leitet nützliche Signale aus Roh- oder komplexen Daten ab, wie z. B. die Extraktion von Datumsteilen aus einem Zeitstempel, Begriffen aus Text oder gelernten Vektoren aus Bildern. Feature Engineering umfasst die Feature-Extraktion und fügt dann weitere Arbeiten wie Imputation, Skalierung, Codierung, Transformation, Feature-Erstellung und Feature-Auswahl hinzu.\u003C/p\u003E"},{"title":"Ist Feature Engineering beim Deep Learning noch relevant?","richText":"\u003Cp\u003EJa. \u003Ca href=\"https://www.snowflake.com/de/artificial-intelligence/machine-learning/deep-learning/\"\u003EDeep Learning\u003C/a\u003E kann Repräsentationen direkt aus Daten lernen, insbesondere bei Bildern, Audio und Text, was den Bedarf an manuellem Feature-Design in einigen Workflows verringert. Feature Engineering ist weiterhin wichtig für tabellarisches ML, produktive Datenpipelines, Training-Serving-Konsistenz, Datenqualität und das Design von Eingaben, die das tatsächliche Vorhersageproblem widerspiegeln.\u003C/p\u003E"},{"title":"Was ist automatisiertes Feature Engineering?","richText":"\u003Cp\u003EAutomatisiertes Feature Engineering verwendet Software, um Kandidaten-Features zu generieren, wie z. B. Aggregationen, vom Datum abgeleitete Features, kategoriale Codierungen oder Interaktions-Features. Es kann die Exploration beschleunigen und repetitive Arbeit reduzieren, obwohl Teams weiterhin Domänenwissen benötigen, um zu beurteilen, ob die generierten Features sinnvoll, gültig und bei der Modellausführung verfügbar sind.\u003C/p\u003E"},{"title":"Was ist ein Feature Store und wie hängt er mit Feature Engineering zusammen?","richText":"\u003Cp\u003EEin Feature Store ist ein verwaltetes Repository für Feature-Definitionen, Feature-Werte und zugehörige Metadaten. Er hilft Teams dabei, entwickelte Features modellübergreifend wiederzuverwenden, die Trainings- und Inferenzlogik konsistent zu halten, die Aktualität der Features zu verwalten und doppelte Feature-Pipelines zu reduzieren. Beim produktiven ML fungiert der Feature Store oft als operative Schicht für das Feature Engineering.\u003C/p\u003E"}],":type":"snowflake-site/components/simple-snowflake-accordion"}},":itemsOrder":["simple_snowflake_acc"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1467213961":{"id":"flexible-column-container-c6c440d336","propertiesId":"hub-explore-resources-header","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-7d638b3785",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-eaa1448387","additionalClasses":"hub-explore-resources-header__headline","type":"heading2","lines":["KI-Ressourcen entdecken"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"}},":itemsOrder":["title_v2"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_912630531":{"id":"flexible-column-container-90647e0825","propertiesId":"hub-explore-resources-grid","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-explore-resources-grid-inner",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"resource_chip_0":{"id":"content-chip-773857f86c","tagText":"LEITFADEN","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/developers/guides/advanced-guide-to-snowflake-feature-store/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Mehr erfahren"},"headline":{"id":"title-v2-1e8d6cabb0","type":"heading5","lines":["Advanced Guide to Snowflake Feature Store"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_1":{"id":"content-chip-22066c94d2","tagText":"LEITFADEN","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/developers/guides/intro-to-feature-store/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Mehr erfahren"},"headline":{"id":"title-v2-f1c47fd0d8","type":"heading5","lines":["Introduction to Snowflake Feature Store with Snowflake Notebooks"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_2":{"id":"content-chip-4feafaf9a0","tagText":"BLOG","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/de/blog/agentic-ml-snowflake-predictive-insights/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Blog lesen"},"headline":{"id":"title-v2-1d44b58ef3","type":"heading5","lines":["Von Daten zu prädiktiven Einblicken: Automatisierung mit Agentic ML in Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_3":{"id":"content-chip-04c33318e2","tagText":"BLOG","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/build-manage-production-ml-snowflake-feature-store/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Blog lesen"},"headline":{"id":"title-v2-486de212d2","type":"heading5","lines":["Build and Manage ML Features for Production-Grade Pipelines with Snowflake Feature Store"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"}},":itemsOrder":["resource_chip_0","resource_chip_1","resource_chip_2","resource_chip_3"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1158003461":{"id":"flexible-column-container-9c707cb12b","propertiesId":"hub-explore-topics-header","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-60e4ff33d2",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy_copy":{"id":"title-v2-95b2b70ee8","additionalClasses":"hub-explore-topics-header__headline","type":"heading2","lines":["KI-Themen entdecken"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy_copy":{"id":"text-110469ab4c","additionalClasses":"hub-explore-topics-header__subheadline","text":"\u003Cp\u003EDetaillierte Einblicke in jeden Aspekt der künstlichen Intelligenz\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy_copy","text_copy_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"},"flexible_column_cont_1377146023":{"id":"flexible-column-container-d349338dbd","propertiesId":"hub-explore-topics-grid","type":"3-column-even","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-f4b0e9a608",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"card_v2_copy_copy":{"id":"card-v2-f855685b12","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["Künstliche Intelligenz"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/de/artificial-intelligence/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Mehr erfahren"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003EGrundlegender Leitfaden für Unternehmens-KI: Wie sie funktioniert, wohin sie sich entwickelt und was sie für Ihr Unternehmen bedeutet.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":itemsOrder":["card_v2_copy_copy"]},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"container-846a2f3681",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"card_v2_98028754":{"id":"card-v2-c2f20e8f8f","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["KI-Governance"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/de/artificial-intelligence/ai-governance/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Mehr erfahren"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003EFrameworks, Richtlinien und Aufsichtsmodelle für das Management von KI-Risiken, Verantwortlichkeiten, Compliance und betrieblicher Kontrolle.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":itemsOrder":["card_v2_98028754"]},"flexible_column_content_container_3":{"layout":"SIMPLE","id":"container-0354c13871",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"card_v2_copy":{"id":"card-v2-c0c63f54d9","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["KI-Ethik"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/de/artificial-intelligence/ai-governance/ai-ethics/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Mehr erfahren"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003EPrinzipien wie Fairness, Verantwortlichkeit und menschliche Aufsicht, die den verantwortungsvollen Einsatz von KI leiten.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":itemsOrder":["card_v2_copy"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"}},":itemsOrder":["flexible_column_cont","flexible_column_cont_939100716","flexible_column_cont_1398138236","flexible_column_cont_663228916","flexible_column_cont_1786318617","flexible_column_cont_1467213961","flexible_column_cont_912630531","flexible_column_cont_1158003461","flexible_column_cont_1377146023"],":type":"wcm/foundation/components/responsivegrid"},"modal_container":{"layout":"SIMPLE","id":"container-8d75bb0696",":type":"snowflake-site/components/modal/modal-container",":items":{},":itemsOrder":[]},"markup_editor_928258845":{"id":"markup-editor-3e53bddf0d","title":" ","cssContent":".snowflake-flexible-column-container-gray-10-bg\u003E.snowflake-flexible-column-container{background-color:var(--ui-background-05) !important}.text-size-regular:has(.seo-hub-hero__related-topic-label){display:flex;align-items:center}.hub-hero__headline span{text-transform:none !important}.hub-hero__subheadline p{max-width:70ch;margin-top:8px}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:24px 48px 0 0 !important}.hub-hero__authors .heading-5-v2{gap:var(--spacing-00)}.hub-hero__authors .snowflake-content-chip-button{display:none !important}.hub-hero__authors .snowflake-person-chip-content .body-2,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line{font-size:16px !important;line-height:20px !important;font-family:\"Lato\",sans-serif !important;color:#000 !important;font-weight:600 !important}.hub-hero__authors .snowflake-person-chip-content .body-3,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line:not(:first-child){font-weight:400 !important;color:var(--text-05) !important;font-size:16px !important}.hub-hero__authors .snowflake-image-container img{aspect-ratio:1 !important;border-radius:100%;overflow:hidden}.hub-hero__authors .snowflake-person-chip-avatar{width:56px;height:56px}.hub-hero__authors .snowflake-content-chip{align-items:center;display:inline-flex}.hub-hero__authors .snowflake-content-chip-image{max-width:56px;line-height:0;margin-right:var(--spacing-03)}.hub-hero__authors .snowflake-person-chip-inner-horizontal{gap:var(--spacing-03)}@media screen and (min-width:1367px){.hub-hero__headline .heading-1-v2{font-size:48px;line-height:44px}}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container{display:flex;flex-direction:row;flex-wrap:wrap;gap:24px}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::before,#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::after{display:none}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv{width:calc(25% - 18px)}.text-color-text-05 .snowflake-text h2,.text-color-text-05.cq-Editable-dom h2,.text-color-text-05 .snowflake-text h3,.text-color-text-05.cq-Editable-dom h3,.text-color-text-05 .snowflake-text h4,.text-color-text-05.cq-Editable-dom h4,.text-color-text-05 .snowflake-text h5,.text-color-text-05.cq-Editable-dom h5,.text-color-text-05 .snowflake-text h6,.text-color-text-05.cq-Editable-dom h6{color:#000 !important}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor_597730182":{"id":"markup-editor-c7288e41bc","title":" ","cssContent":".sf-copy-markdown [data-copy-md]{display:inline-flex;align-items:center;gap:6px;padding:8px 16px;font-family:'Texta',sans-serif;text-transform:uppercase;font-weight:800 !important;font-size:14px;font-weight:500;color:#11567f;background:#f0faff;border:1px solid #b8e6f9;border-radius:24px;cursor:pointer;transition:background .2s ease,border-color .2s ease,color .2s ease}.sf-copy-markdown [data-copy-md]:hover{background:#ddf3fc;border-color:#29b5e8}.sf-copy-markdown [data-copy-md][data-copied=\"1\"]{color:#0f7b3e;background:#ecfdf5;border-color:#6ee7a0;pointer-events:none}.sf-copy-markdown [data-copy-md] svg{flex-shrink:0}.longform-conten .snowflake-content-chip-white-bg .snowflake-content-chip{box-shadow:0 0 24px 4px rgba(0,0,0,.02),0 4px 8px 0 rgba(0,0,0,.04);flex-direction:row-reverse;align-items:center}.longform-conten .snowflake-content-chip-button{display:none}.longform-conten .snowflake-content-chip-image__inner{aspect-ratio:5 / 3;display:flex;justify-content:center;align-items:center;background-color:var(--ui-01);border-radius:4px}.longform-conten .snowflake-content-chip-image{margin-right:0;margin-left:48px}.longform-conten .snowflake-content-chip-image img{width:50%;border-radius:0 !important;object-fit:contain}.longform-content .black-blue-text-color .snowflake-title-v2-line:not(:first-child){font-size:14px !important;font-weight:400 !important;color:rgba(0,0,0,.6) !important;margin-top:8px !important}.page-toc ul li:first-child{padding-top:0 !important}.page-toc ul li:last-child{padding-bottom:0 !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{flex-grow:1}.sf-copy-markdown{margin-top:40px !important}.page-toc ul{margin-top:16px !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;justify-content:space-between}.sf-copy-markdown{}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E strong,.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:80ch}#hero:has(.snowflake-youtube-lite) .seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{width:100%;flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor":{"id":"markup-editor-d998cd390c","title":" ","cssContent":"div.snowflake-breadcrumb a.snowflake-breadcrumb-item,.snowflake-breadcrumb div.snowflake-breadcrumb-item{text-transform:none;font-weight:500}.snowflake-breadcrumb svg{display:none !important}.snowflake-breadcrumb a:has(svg)::after{content:'/';margin:0 12px;color:#666}.hub-sidebar{padding:0 40px}.sticky-sidebar{max-width:340px;margin-left:auto}.page-toc ul{list-style-type:none;padding:0}.page-toc li{padding:8px 16px;border-left:4px solid var(--ui-01);cursor:pointer;transition:300ms ease all}.page-toc li:hover{color:var(--ui-01);border-color:#7fd3f1;transition:300ms ease all}.callout,.customer-card{background-color:#eef9fd;border-left:4px solid var(--ui-01);padding:24px 24px 24px 32px;border-radius:4px}.logo-container{max-width:180px}.longform-content li{margin-top:1rem !important}div.longform-content p{max-width:80ch}.bolder .snowflake-title-v2-line{font-weight:900 !important}.border-top\u003Ediv{border-top:1px solid #ccc;padding-top:48px}.related-topics ul{list-style-type:none;padding:0;margin:0;display:flex;gap:8px;flex-wrap:wrap}.related-topics li{display:inline-block;border:1px solid #ccc;padding:4px 12px;border-radius:24px}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-title-v2 .heading-6-v2,div.longform-content .snowflake-text .heading-6-v2{text-transform:none !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2{margin-top:1.5rem !important;line-height:1.1 !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-family:Lato,sans-serif !important;font-weight:800 !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{text-transform:none !important;font-size:28px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:22px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:18px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:16px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:14px !important}@media screen and (min-width:992px){div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{font-size:38px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:26px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:22px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:18px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:16px !important}}.sticky-sidebar .page-toc li.is-active{font-weight:600;color:var(--snow-blue,#29b5e8)}.sticky-sidebar .page-toc li[data-anchor]{cursor:pointer}.longform-content table{margin-top:24px;margin-bottom:24px;width:100%;background-color:var(--ui-background-01);border-collapse:collapse;border:2px solid var(--ui-background-09);font-family:'Lato',sans-serif;color:var(--ui-background-09)}.longform-content table thead{background-color:var(--ui-01)}.longform-content th,.longform-content td{min-width:120px;border:2px solid var(--ui-background-09);padding:var(--spacing-01)}.longform-content ol{margin-top:0 !important}.longform-content ol li{margin-bottom:1rem !important}.longform-content ul li{margin:0;padding:0 0 0 32px;position:relative}.longform-content ul{list-style-type:none}.longform-content ul li::before{content:\"\";display:block;border-radius:100%;background:#29b5e8;width:18px;height:18px;position:absolute;top:4px;left:0;border:5px solid #e5f2f7;box-sizing:border-box}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container{max-width:200px}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container img{object-fit:contain}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:0 !important}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{margin-right:16px !important;flex-shrink:0}","jsContent":"(function(){var OFFSET=100;if(window.gsap&&window.ScrollTrigger){gsap.registerPlugin(ScrollTrigger);var sidebar=document.querySelector('.sticky-sidebar');var body=document.querySelector('.longform-content');if(sidebar&&body){ScrollTrigger.create({trigger:sidebar,start:'top 100px',endTrigger:body,end:'bottom bottom',pin:sidebar,pinSpacing:false});}}document.addEventListener('click',function(e){var li=e.target.closest('li[data-anchor]');if(!li)return;var slug=li.getAttribute('data-anchor');var heading=document.querySelector('.anchor-title--'+CSS.escape(slug));if(!heading)return;e.preventDefault();var top=heading.getBoundingClientRect().top+window.pageYOffset-OFFSET;window.scrollTo({top:top,behavior:'smooth'});history.replaceState(null,'','#'+slug);},false);var headings=document.querySelectorAll('[class*=\"anchor-title--\"]');if(headings.length&&'IntersectionObserver'in window){var io=new IntersectionObserver(function(entries){entries.forEach(function(entry){if(!entry.isIntersecting)return;var cls=Array.from(entry.target.classList).find(function(c){return c.indexOf('anchor-title--')===0;});if(!cls)return;var slug=cls.replace('anchor-title--','');document.querySelectorAll('li[data-anchor]').forEach(function(li){li.classList.toggle('is-active',li.getAttribute('data-anchor')===slug);});});},{rootMargin:'-20% 0px -70% 0px',threshold:0});headings.forEach(function(h){io.observe(h);});}})();",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":true},"experiencefragment-footer":{"id":"experiencefragment-12030d10f3","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer/master.xfmodel.json?callerPage=/content/snowflake-site/global/de/artificial-intelligence/machine-learning/feature-engineering"},"experiencefragment":{"id":"experiencefragment-bdc3110e52","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer-legal-disclaimers/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/de/site/footer-legal-disclaimers/master.xfmodel.json?callerPage=/content/snowflake-site/global/de/artificial-intelligence/machine-learning/feature-engineering"}},":itemsOrder":["experiencefragment-banner","experiencefragment-header","responsivegrid","modal_container","markup_editor_928258845","markup_editor_597730182","markup_editor","experiencefragment-footer","experiencefragment"],":type":"wcm/foundation/components/responsivegrid"}},":itemsOrder":["root"],":hierarchyType":"page","analyticsContentTags":[],"analyticsEnabled":true,"coveoConfig":{"searchHub":"snowflake.com","organizationId":"snowflakecomputingproduction8neljofn","apiKey":"xx335921a6-2a0a-40f2-a167-e390b4766c3d","pipeline":"snowflake.com"},"analyticsDebugMode":false,"analyticsData":{"excludeFromAnalytics":false,"subCategory":"","pageType":"homepage","templateName":"base-page-template54","siteName":"snowflake","pageUrl":"/content/snowflake-site/global/de/artificial-intelligence/machine-learning/feature-engineering","language":"de","category":"general","pageName":"Feature Engineering: Die Entscheidungen, die die Qualität von ML-Modellen prägen","contentTags":[]},"isPasswordProtected":false,"locale":"de"}