特征提取是将原始数据转化为可以处理的数字特征,同时保留原始数据集中的信息,比直接对原始数据进行机器学习效果更好。
特征提取可以手动或自动完成:
- 手动特征提取需要识别和描述与给定问题相关的特征,并实现提取这些特征的方法。在许多情况下,对背景或领域有良好的理解可以帮助做出明智的决定,确定哪些特性是有用的。经过几十年的研究,工程师和科学家已经开发出了图像、信号和文本的特征提取方法。一个简单特征的例子是信号中窗口的平均值。
- 自动特征提取使用专门的算法或深度网络自动从信号或图像中提取特征,而不需要人工干预。当您想要快速地从原始数据转移到开发机器学习算法时,这项技术非常有用。小波散射是自动特征提取的一个例子。
随着深度学习的发展,特征提取在很大程度上已被深度网络的第一层所取代——但主要用于图像数据。对于信号和时间序列应用,特征提取仍然是第一个挑战,需要大量专业知识才能建立有效的预测模型。
特征提取信号和时间序列数据
特征提取在识别信号中的最鉴别特征,其中一台机器学习或深学习算法可以更容易地消耗。对机器学习或深度学习直接与原始信号往往产生,因为高数据速率和信息冗余的效果差。
自动特征提取方法
自动从信号中提取特征的高级方法已经出现。自动编码器、小波散射和深度神经网络是常用的特征提取和降维数据。
小波散射网络自动化低方差的提取从实值的时间序列的图像数据的功能。这种方法产生的数据表示,一个类中的差异最小化,同时跨类保护辨别。小波散射效果很好,当你没有大量的数据的开始。
图像数据的特征提取
用于图像数据的特征提取表示图像的作为紧凑特征矢量的感兴趣的部分。在过去,这是用专门的特征检测,特征提取和特征匹配算法来完成。今天,深学习是在图像和视频分析普遍,并且已经成为以其取原始图像数据作为输入的能力,跳过特征提取步骤。无论哪个接近你服用,计算机视觉应用,例如图像配准,对象检测和分类,以及基于内容的图像检索中,所有需要的图像特征有效地代表 - 或隐通过深网络的第一层,或明确地施加一些的长期图像特征提取技术。