Речник

Конструиране и извличане на признаци (feature engineering)

Какво е Конструиране и извличане на признаци (feature engineering)?

Конструирането на признаци (feature engineering) означава избиране, преобразуване и създаване на атрибути (признаци) от суровите данни, така че алгоритъмът за обучение да открива по-лесно закономерности. Извличането на признаци извежда компактни, смислени стойности от сложни данни като текст, изображения или сигнали. Пример: отделни записи за покупки се превръщат в признаци като „дни от последната покупка“ или „средна стойност на поръчката“, което може осезаемо да подобри прогнозата за отпадане на клиенти.

Теми

Машинно обучение
Подготовка на данни
Функции

Изпробвайте KI.ordo

Агенти, потоци и шаблони в едно работно пространство – безплатна 24-часова демонстрация.

Стартирайте демото

← Всички термини

Свързани термини

Извличане на признаци

Извличането на признаци е процес, при който от суровите данни се получават смислени стойности, така че моделът да може да ги обработва ефективно. Вместо милиони отделни пиксели една система може да използва ръбове, цветове или форми; текстовете се превръщат в тегла на думите или в векторни представяния (ембединги). Добрите признаци намаляват обема на данните, свеждат изчислителните разходи до минимум и често подобряват точността. Извличането на признаци е основна част от инженерството на признаци.

подготовка на данни
инженерство на признаци
+1

Намаляване на размерността

Намаляването на размерността свежда броя на признаците в масив от данни, без да се губи същественото. Известни методи са анализът на главните компоненти (PCA), както и t-SNE и UMAP, които често се използват за визуализация. То ускорява изчисленията, намалява риска от преобучение и прави данните по-лесни за възприемане – например когато стотици характеристики на клиенти се проектират в двумерна диаграма, в която сходните клиенти са разположени близо един до друг.

анализ на данни
PCA
+1

Почистване на данни

Почистването на данни е откриване и коригиране на грешни, дублирани или несъвместими записи в масиви от данни. Типични стъпки са уеднаквяване на изписването и на формата на датите, премахване на излишни интервали и обединяване на дубликати като „Иванов ООД“ и „Иванов Ltd.“. Чистите данни са предпоставка за надеждни анализи, разпращания и ИИ приложения.

качество на данните
дубликати
+1

Шаблон

Машинно обучение

Машинното обучение е дял от изкуствения интелект, при който компютрите извеждат закономерности от данни, вместо всяко правило да бъде изрично програмирано. В зависимост от задачата моделите се учат от анотирани примери (с надзор), от неанотирани данни (без надзор) или чрез награди (с подкрепление). Приложенията вариират от спам филтри и прогнози за търсенето до препоръки за продукти. Качеството зависи силно от количеството и качеството на обучителните данни.

основи
ИИ
+1