Las características técnicas típicas extraídas incluyen
Las características típicas de la tecnología de extracción incluyen: selección de características, extracción de características y transformación de características.
Selección de características:
La selección de características consiste en seleccionar las características más relevantes de los datos originales para mejorar la capacidad de generalización y el efecto del modelo. Los métodos de selección de funciones más utilizados incluyen filtrado, ajuste e incrustación. El método de filtrado selecciona características calculando la correlación o índice estadístico entre las características y la variable objetivo;
Extracción de características:
La extracción de características consiste en convertir los datos originales en una característica más representativa. representación. Los métodos de extracción de características comúnmente utilizados incluyen análisis de componentes principales (PCA), análisis discriminante lineal (LDA), hash sensible a la localidad (LSH), etc. PCA asigna los datos originales a un espacio de baja dimensión mediante transformación lineal y conserva la información de características más importante. LDA selecciona la mejor dirección de proyección de características maximizando la distancia entre clases y minimizando la distancia dentro de clases;
Transformación de características:
La transformación de características es una transformación matemática de las características originales para cambiar la representación de las características. Los métodos de transformación de características más utilizados incluyen transformación polinómica, transformación exponencial, transformación logarítmica, etc. La transformación polinómica aumenta la expresividad de las características al agregar o eliminar términos de características de orden superior; la transformación exponencial y la transformación logarítmica pueden transformar relaciones no lineales en relaciones lineales, lo que hace que el modelo sea más fácil de ajustar.
Extracción de características de texto:
La extracción de características de texto es el proceso de convertir datos de texto en representaciones de características que pueden ser utilizadas por modelos de aprendizaje automático. Los métodos de extracción de características de texto más utilizados incluyen el modelo de bolsa de palabras, TF-IDF, Word2Vec, etc. El modelo de bolsa de palabras convierte el texto en una representación vectorial de longitud fija y calcula el número de apariciones de cada palabra en el texto. TF-IDF se utiliza para medir la importancia de las palabras en las colecciones de documentos y, a menudo, se utiliza para tareas como ésta; como clasificación y agrupamiento de texto;
Extracción de características de imagen:
La extracción de características de imagen es el proceso de convertir datos de imágenes en representaciones de características que pueden ser utilizadas por modelos de aprendizaje automático. Los métodos de extracción de características de imagen más utilizados incluyen histograma de color, detección de bordes, SIFT, CNN, etc. El histograma de color cuenta la frecuencia de cada color en la imagen y se utiliza para representar la distribución del color de la imagen;
La detección de bordes se utiliza para detectar información de bordes y contornos en la imagen. SIFT es una característica local; Algoritmo de descripción que se utiliza para extraer puntos clave en imágenes y sus vectores de características correspondientes; CNN es un modelo de aprendizaje profundo que puede extraer características avanzadas de imágenes a través de operaciones como capas convolucionales y capas de agrupación.