Выделение признаков

Выделение признаков вовлекает сокращение числа ресурсов, необходимых для описания большого набора данных. Когда осуществляется анализ сложных данных, одна из главных проблем вызывается числом вовлекаемых переменных. Анализ с большим числом переменных в общем случае требует большой памяти и вычислительной мощности, а также это может вызвать для алгоритмов задачи классификации переподгонку относительно тренировочной выборки, что приводит в общем случае к плохим результатам для новых образцов. Выделение признаков является основным термином для методов построения комбинаций переменных, чтобы обойти эти проблемы, тем не менее описывая данные с достаточной точностью. Многие практики обучения машин верят, что должным образом оптимизированное выделение признаков является ключом для построения эффективной модели[3].

Результаты могут быть улучшены с использованием построенного набора зависящих от приложения признаков, обычно построенных экспертами. Один из таких процессов называется конструированием признаков. Альтернативно, используются техники общего снижения размерности, такие как:

• Анализ независимых компонент
• Isomap
• Ядерный метод главных компонент
• Латентно-семантический анализ
• Регрессия частных наименьших квадратов
• Метод главных компонент
• Снижение размерности многофакторного пространства
• Нелинейное снижение размерности
• Полилинейный метод главных компонент
• Полилинейное обучение подпространств
• Полуопределённое вложение
• Автокодировщик

Одна из очень важных областей приложения выделения признаков — обработка изображений, в которой используются алгоритмы для обнаружения и изоляции различных желательных порций или фигур (признаков) цифрового изображения или видеопотока. Одна из важных областей приложения методов — оптическое распознавание символов.

Многие пакеты статистической обработки обеспечивают возможность выделения признаков и сокращения размерности. Общие системы численной обработки, такие как MATLAB, Scilab, NumPy и язык R поддерживают некоторые простые техники выделения признаков (например, метод главных компонент) с помощью встроенных команд. Более специфичные алгоритмы часто доступны как общедоступные скрипты или разработки сторонних фирм. Существуют также пакеты, разработанные для конкретных приложений обучения машин специально для выделения признаков.[4]

• Кластерный анализ
• Снижение размерности
• Выявление признаков
• Отбор признаков
• Data mining
• Маркировка связных компонент
• Сегментация (обработка изображений)