表征与特征的关系

目录

一.声明：

二.特征

2.1特征：

2.2特征向量：

三.表征

3.1表征

3.2表征学习

四.表征与特征的关系

---

一.声明：

不全是自己的理解，也有些是摘抄的。

二.特征

2.1特征：

在机器学习中，特征是被观测对象的一个独立可观测的属性或者特点。比如识别水果的种类，需要考虑的特征（属性）有：大小、形状、颜色等。要识别一个人是谁，可以用他的走路姿势、说话语气等来衡量。特征一般用数值而非文字等其他形态，主要是为了处理和统计分析的方便。特征的特点是：有信息量，区别性，独立性。背后的思路是通过一个抽象、简化的数学概念来代表复杂的事物。

2.2特征向量：

一个特征不足以代表一个物体，所以机器学习中使用特征的组合--特征向量。它是一个 n 维的数值向量，可以用来代表某个东西。比如人脸识别中，使用256维度的向量来代表一个人的面部特征。

三.表征

3.1表征

将图像经过卷积操作得到的结果。

3.2表征学习

在机器学习领域，表征学习（或表示学习）是一种将原始数据转换成为更容易被机器学习应用的数据的过程。对于输入数据，对其进行学习得到新的数据或者对原始数据进行选择得到新的数据都称为表征学习。如下图所示：n维向量变为m维。

四.表征与特征的关系

通过表征来映射特征。