人工智能讲师ai大数据讲师叶梓人工智能之机器学习与深度学习-13

接上一篇，系列博文:人工智能讲师叶梓关于人机器学习与深度学习入门课程课件，为系列博文，更多课程，及老师资料可点击 个人主页

 

特征提取与选择

特征

•特征：反映数据分布特点的关键信息。

•

•数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。

•

•特征提取和特征选择都是从原始特征中找出最有效的特征。

•同类样本的不变性

•不同样本的鉴别性

•对噪声的鲁棒性

 

特征提取与特征选择

•特征抽取:将原始特征转换为一组具有明显物理意义、统计意义或核的特征，特征抽取后的新特征是原来特征的一个映射。

•特征选择:从特征集合中挑选一组最具统计意义的特征，达到降维的目的。特征选择后的特征是原来特征的一个子集。

特征选择或提取的作用

•减少数据存储和输入数据带宽

•消除噪声带来的影响

•避免高维度带来的计算困难

•能发现更有意义的潜在的变量

•

•特征之间是否可以比较？

•特征的描述是否符合事实？

•特征是否变得更少、更有利于分类？