Funkció kivonás

A jellemzők kinyerése az absztrakció egy fajtája , egy dimenziócsökkentő folyamat , amelynek során a kezdeti változók eredeti halmaza kezelhetőbb csoportokká (jellemzőkké) redukálódik további feldolgozás céljából, miközben elegendő készlet marad az eredeti adatkészlet pontos és teljes leírásához [1] . A funkciók kinyerését a gépi tanulásban , a mintafelismerésben és a képfeldolgozásban használják . A jellemzők kinyerése az eredeti adathalmazból indul ki, és olyan másodlagos értékeket ( jellemzőket ) származtat, amelyeknél informatívnak és nem redundánsnak kell lenni, ami hozzájárul a későbbi gépi tanulási folyamathoz és a lépések általánosításához, és bizonyos esetekben egy az adatok jobb emberi értelmezése .

Ha egy algoritmus bemeneti adatai túl nagyok ahhoz, hogy feldolgozzák, és fennáll annak a gyanúja, hogy az adatok redundánsak (például lábban és méterben is mérnek, vagy a képek megismételhetőségét pixelekkel ábrázolják ), akkor redukált jellemzőkészletté alakítva (úgynevezett jellemzővektor ) . A kezdeti jellemzők részhalmazának meghatározását jellemzőválasztásnak [ 2] nevezzük . A kiválasztott jellemzőket a bemeneti adatokban szereplő szükséges információkkal ellenőrzik, így a kívánt feladat az eredeti teljes adatok helyett ezzel a csökkentett készlettel hajtható végre.

Általános megközelítés

A jellemzők kinyerése magában foglalja a nagy adathalmaz leírásához szükséges erőforrások számának csökkentését. Összetett adatok elemzésekor az egyik fő problémát az érintett változók száma okozza. A nagyszámú változót tartalmazó elemzés általában sok memóriát és feldolgozási teljesítményt igényel, és az osztályozási probléma algoritmusainak túlillesztését is okozhatja a betanító halmazhoz képest, ami általában rossz eredményekhez vezet az új minták esetében. A jellemzők kinyerése a fő kifejezés a változók kombinációinak létrehozására szolgáló módszerekre, amelyek segítségével megkerülhetjük ezeket a problémákat, miközben az adatokat kellő pontossággal írjuk le. Sok gépi tanulással foglalkozó szakember úgy véli, hogy a hatékony modell felépítésének kulcsa a megfelelően optimalizált jellemzők kinyerése [3] .

Az eredmények javíthatók az alkalmazás-specifikus funkciók beépített készletével, amelyeket általában szakértők készítenek. Az egyik ilyen folyamatot jellemző tervezésnek nevezik . Alternatív megoldásként általános méretcsökkentési technikákat alkalmaznak, mint például:

Képfeldolgozás

A funkciókivonat alkalmazásának egyik nagyon fontos területe a képfeldolgozás , amely algoritmusokat használ a digitális kép- vagy videofolyam különböző kívánt részei vagy alakjai (jellemzői) felismerésére és elkülönítésére . A módszerek egyik fontos alkalmazási területe az optikai karakterfelismerés .

Alacsony szintű

Görbület Mozgóképek
  • Mozgásérzékelés . Zónális és differenciális megközelítések. optikai áramlás .

Alak alapú módszerek

  • Küszöb szűrés
  • Objektumok kiválasztása
  • Mintaegyeztetés
  • Algoritmus szinguláris pontok megtalálására és összehasonlítására SIFT
  • Hough átalakulni
    • Közvetlen
    • Körök/ellipszisek
    • Önkényes figurák (általánosított Hough-transzformáció)
    • Bármilyen paraméterezhető szolgáltatással való munkavégzés (osztályparaméterek, fürtészlelés stb.)

Rugalmas módszerek

  • Deformálható, paraméterezett formák
  • Aktív kontúrok (csavargó)

Funkciók kinyerése szoftverben

Számos aggregációs csomag szolgáltatás kivonást és méretcsökkentést biztosít. Az olyan általános numerikus feldolgozó rendszerek, mint a MATLAB , a Scilab , a NumPy és az R nyelv , beépített parancsok segítségével támogatnak néhány egyszerű jellemzőkivonási technikát (például főkomponens-elemzést ). Speciálisabb algoritmusok gyakran hozzáférhetők nyilvánosan elérhető szkriptekként vagy harmadik féltől származó fejlesztésekként. Vannak olyan csomagok is, amelyeket speciális gépi tanulási alkalmazásokhoz terveztek, kifejezetten a funkciók kivonására. [négy]

Lásd még

Jegyzetek

  1. Mi az a funkciókivonás? . deepai.org . Archiválva az eredetiből 2021. március 2-án.
  2. Alpaydin, 2010 , p. 110.
  3. Reality AI Blog, "Its all about the features", 2017. szeptember, https://reality.ai/it-is-all-about-the-features/ Archivált : 2019. augusztus 18. a Wayback Machine -nél
  4. lásd például: https://reality.ai/ Archivált : 2021. március 25. a Wayback Machine -nél

Irodalom