План генерации кандидатных признаков по типам преобразований

Соблюдай все обязательные требования ниже. Верни только итоговый результат в требуемом формате. Не добавляй вступления, комментарии о процессе, предупреждения, альтернативные версии или просьбы что-либо уточнить. Если часть входных данных отсутствует и исходный промпт допускает рабочие предположения, явно фиксируй их только там, где это прямо требуется. Сохраняй placeholders, JSON, YAML, SQL, код, формулы, названия метрик, пороги, порядок разделов и другие обязательные технические элементы без искажений.

Ниже приведён исходный замысел и обязательные ограничения. Сохрани смысл, полноту и прикладную ценность, но сделай ответ максимально однозначным, компактным и готовым к использованию с первой попытки.

Вы — специалист по созданию признаков. Задача: систематически сгенерировать кандидатные признаки для датасета, описанного как "{dataset_description}", с целью предсказания целевой переменной "{target_variable}". Входные данные: список имеющихся признаков {existing_features} и тип модели {model_type}.

Требуется составить всесторонний, воспроизводимый план генерации признаков, организованный по типам преобразований, включающий как предметно-специфичные, так и предметно-независимые шаблоны. План должен быть готов к исполнению инженером данных или ML‑инженером без дополнительных уточнений.

Требуемый формат вывода (строго соблюдайте пункты):

1) Краткая сводка (1–3 предложения): ключевые предположения о данных (числовые/категориальные/временные/тексты), ограничения (размер, разреженность) и цели оптимизации под {model_type} (точность, стабильность, скорость).

2) Глобальные рекомендации (коротко):
   - как обрабатывать пропуски и выбросы для последующей генерации признаков;
   - правила масштабирования/нормализации в зависимости от {model_type};
   - рекомендуемая стратегия валидации (например, time‑aware, grouped CV) и почему.

3) По каждому типу преобразований — отдельный раздел с обязательными подпунктами:
   a) Название категории (например, "Агрегации по группам").
   b) Краткое описание и когда уместна (1–2 предложения).
   c) Конкретные candidate-признаки: для каждого приведите
      - формулу/описание в терминах существующих признаков (используйте {existing_features} как шаблон, например: "avg(transaction_amount) по user_id", "ratio = feature_A / (feature_B + 1e-6)"),
      - указание на формат результата (числовой/категориальный/бинарный),
      - пример имени признака (например: "user_avg_txn_amount_30d").
   d) Обоснование релевантности для {model_type} (как этот тип признаков улучшит модель: нелинейность, взаимодействие, стабилизация оценок и т.п.).
   e) Практические замечания по реализации: обработка пропусков/деления на ноль, накладные расходы при вычислении, влияние на память/время, рекомендации по приоритизации (высокий/средний/низкий приоритет).

Перечислите и обязательно охватите (минимум — названия и по 3–8 конкретных candidate‑признаков в каждой категории):
   - Статистические агрегаты и групповые признаки (count, sum, mean, std, quantiles, unique count, top k);
   - Соотношения и разности (ratios, percentage change, absolute/relative differences, rolling diffs);
   - Математические преобразования (полиномиальные признаки, взаимодействия, логарифмы, sqrt, reciprocal);
   - Дискретизация и бининг (квантильный/равный широте, кастомные бины), категоризация чисел;
   - Временные признаки (лаг‑признаки, скользящие окна, сезонность, циклическое кодирование часов/дней) — если применимо к {dataset_description};
   - Категориальные стратегии (one‑hot для низкой кардинальности, target‑encoding с регуляризацией, smoothing, leave‑one‑out, frequency encoding, hashing);
   - Признаки на базе текстов/номеров (length, n‑grams counts, TF‑IDF, embeddings) — если в данных есть тексты;
   - Кластеризация и модели представления (k‑means distances, cluster id, PCA/SVD компоненты, autoencoder latent);
   - Частотные/поведенческие паттерны (time-between events, counts per period, recency, tenure);
   - Domain‑agnostic шаблоны (one‑hot interactions, crossed features, monotonic binning, target leakage checks).
   
4) Шаблон генерации признаков на основе {existing_features}:
   - Приведите 8–12 конкретных примеров формул/код‑шаблонов, которые можно сразу реализовать (каждый пример в 1–2 строках): используйте имена из {existing_features} или placeholders (feature_X, feature_Y), указывайте тип результата и приоритет.

5) Контроль качества признаков:
   - Критерии ранней фильтрации (низкая дисперсия, сильная корреляция с другими признаками, утечка целевой переменной);
   - Метрики для оценки кандидатов (feature importance, permutation importance, SHAP stability, CV lift) и порядок применения (быстрые эвристики → подтверждение через CV).

6) Оценка влияния и ограничений:
   - Для каждой крупной категории укажите примерное влияние на производительность {model_type} (высокое/среднее/низкое) и примерные вычислительные/памятные затраты (низкие/средние/высокие).

7) Рекомендации по объему и последовательности работ:
   - минимум 50–200 candidate‑признаков для начального цикла (указать, если dataset мал — скорректируйте);
   - план итераций: генерация → быстрая фильтрация → моделирование → отбор → дополнение;
   - советы по автоматизации (pipeline, feature store, параллелизация).

Требования к стилю и деталям:
   - Ясный, практический, ориентированный на исполнение.
   - Не давайте общий теоретический обзор — отдавайте предпочтение конкретным candidate‑признакам и шаблонам реализации.
   - Используйте краткие, пронумерованные списки и стандартизированные имена признаков в примерах.
   - Объём: достаточный для реализации инженером, не более 1200 слов.

Не задавайте уточняющих вопросов. Используйте подстановки {dataset_description}, {target_variable}, {existing_features}, {model_type} непосредственно в тексте и в примерах.