Feature-udtræk er processen, hvor man udleder meningsfulde værdier af rådata, så en model kan behandle dem effektivt. I stedet for millioner af enkeltpixel kan et system bruge kanter, farver eller former; tekster omdannes til ordvægte eller embedding-vektorer. Gode features reducerer datamængden, mindsker beregningsindsatsen og forbedrer ofte nøjagtigheden. Feature-udtræk er en central del af feature engineering.
Feature engineering betyder at udvælge, omdanne og skabe egenskaber (features) ud fra rådata, så en læringsalgoritme lettere kan opdage mønstre. Feature-udtræk udleder kompakte, meningsfulde værdier af komplekse data som tekst, billeder eller signaler. Eksempel: Enkelte købsposter omdannes til features som 'dage siden sidste køb' eller 'gennemsnitlig ordreværdi', hvilket kan forbedre en prognose for kundeafgang mærkbart.
Dimensionsreduktion nedbringer antallet af features i et datasæt uden at miste den væsentlige information. Kendte metoder er principalkomponentanalyse (PCA) samt t-SNE og UMAP, som ofte bruges til visualisering. Det fremskynder beregninger, mindsker risikoen for overfitting og gør data lettere at overskue – f.eks. når hundredvis af kundeegenskaber afbildes på et todimensionalt diagram, hvor ensartede kunder ligger tæt på hinanden.
En embeddingvektor (embedding) er en liste af tal, der repræsenterer betydningen af et ord, en sætning eller et dokument, så tekster med lignende indhold ligger tæt på hinanden. Det gør det muligt at genkende, at f.eks. 'opsigelse' og 'ophør af kontrakten' hænger sammen, selv om de ikke deler ord. Embeddings ligger til grund for mange semantiske søgesystemer, anbefalingstjenester og RAG-applikationer; de beregnes af specialtrænede modeller.
Mønstergenkendelse er den automatiske identifikation af regelmæssigheder, strukturer eller tilbagevendende træk i data som billeder, lyde, tekster eller målinger. Systemer placerer nye observationer i kendte kategorier eller finder grupper uden foruddefinerede labels. Anvendelser omfatter ansigtsgenkendelse, håndskriftgenkendelse, kvalitetskontrol i produktionen og opsporing af usædvanlige transaktioner. Disciplinen er et vigtigt fundament for machine learning.
