Vägledande beskrivning

Den aktuella versionen av sidan har ännu inte granskats av erfarna bidragsgivare och kan skilja sig väsentligt från versionen som granskades den 2 december 2017; verifiering kräver 1 redigering .

En funktionsbeskrivning av ett objekt ( eng. feature vector ) är en vektor som är sammansatt av värden som motsvarar en viss uppsättning funktioner för ett givet objekt. Funktionsvärden kan vara av olika, inte nödvändigtvis numeriska, typ . Det är en av de vanligaste datainmatningsmetoderna inom maskininlärning .

Formell definition

Beteckna med X uppsättningen av objekt, situationer, prejudikat för något ämnesområde . Till exempel, i maskininlärningsproblem som uppstår inom medicin, kan prejudikat vara patienter, inom utlåningsområdet när de utför kreditvärdering - låntagare , i spamfiltreringsproblem - individuella meddelanden.

Feature ( engelsk funktion ) är resultatet av att mäta någon egenskap hos ett objekt, det vill säga en display:

{\displaystyle f\colon X\to D_{f))

var är uppsättningen av tillåtna attributvärden. $D_f$

Funktionsvärden kan vara texter , grafer , digitaliserade bilder , numeriska sekvenser , databasposter etc. Beroende på uppsättningen är funktioner indelade i följande typer: $D_f$

binärt tecken: ; $D_{f}=\{0,1\}$
nominellt attribut: - finit mängd; $D_f$
ordningsattribut : - ändligt ordnad mängd; $D_f$
kvantitativt tecken: - uppsättning reella tal. $D_f$

Ofta finns det tillämpade problem med olika typer av funktioner, för vilka inte alla metoder är lämpliga.

Om funktioner är givna kallas vektorn för en egenskapsbeskrivning av objektet . ${\displaystyle f_{1},\dots ,f_{n))$ ${{\mathbf x}}=(f_{1}(x),\dots ,f_{n}(x))$ $x\i X$

I maskininlärning kan funktionsbeskrivningar identifieras med själva objekten, det vill säga: . I det här fallet kallas uppsättningen ett funktionsutrymme . $X=D_{f_{1}}\times D_{f_{2}}\times \dots \times D_{f_{n}}$ $X$

En funktion-objektmatris (informationsmatris, indatamatris) är en uppsättning funktionsbeskrivningar av inlärningsexempelobjekt avlängd, skrivna som en storleksmatris(rader,kolumner). Kolumnerna i denna matris motsvarar funktioner, och varje rad är en funktionsbeskrivning av ett inlärningsobjekt. Denna typ av representation är accepterad i problemen med klassificering och regressionsanalys , och ett stort antal inlärningsmetoder innebär en sådan representation av data. $X^{l}=(x_{1},x_{2},\dots ,x_{l})$ $l$ $l\times n$ $l$ $n$ ${\displaystyle f_{1},\dots ,f_{n))$

I applikationer

Problem som uppstår i praktiken kanske inte innehåller data som är lämpliga för matematisk bearbetning. Till exempel, i spamfiltreringsuppgiften representeras objekt - meddelanden - av texter av godtycklig längd, kan innehålla bilagor av olika format, etc. För att få data till en standardform används en procedur - funktionsextraktion från data eller funktionsgenerering ( .funktionsgenerering ) . Således kan varje mappning från en uppsättning till en uppsättning värden som är bekväm för bearbetning tas som en funktion. Ingenting hindrar oss från att ta någon klassificerings- (eller regressions-) algoritm som en sådan mappning, vilket gör det möjligt att erhålla komplexa sammansättningar av algoritmer. $X$

Litteratur

Ayvazyan S. A., Enyukov I. S., Meshalkin L. D. Tillämpad statistik: grunderna för modellering och primär databehandling. - M. : Finans och statistik, 1983. - 471 sid.
Zhuravlev Yu. I., Ryazanov V. V., Senko O. V. Erkännande. Matematiska metoder. Mjukvarusystem. Praktiska tillämpningar. - M . : Fazis, 2006.
Zagoruiko NG Tillämpade metoder för data- och kunskapsanalys. - Novosibirsk: IM SO RAN, 1999. - ISBN 5-86134-060-9 .
Hastie T., Tibshirani R., Friedman J. Elementen i statistiskt lärande: Data Mining, Inferens och Prediction. - Springer, 2001. - 533 sid. — ISBN 9780387952840 .

Länkar

Funktionsbeskrivning , machinelearning.ru