Merkmals-Extraktion (Feature Extraction) bezeichnet das Gewinnen aussagekräftiger Kennwerte aus Rohdaten, damit ein Modell sie effizient verarbeiten kann. Statt Millionen einzelner Bildpunkte nutzt ein System etwa Kanten, Farben oder Formen; aus Texten werden Wortgewichte oder Einbettungsvektoren erzeugt. Gute Merkmale verringern die Datenmenge, senken Rechenaufwand und verbessern oft die Genauigkeit. Sie ist ein zentraler Teil des Feature Engineering.
Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.
Demo startenFeature Engineering bezeichnet das Auswählen, Umformen und Neubilden von Merkmalen (Features) aus Rohdaten, damit ein Lernverfahren Muster besser erkennt. Bei der Feature-Extraktion werden aus komplexen Daten wie Texten, Bildern oder Signalen kompakte, aussagekräftige Kennwerte gewonnen. Beispiel: Aus einzelnen Kaufdaten entstehen Merkmale wie „Tage seit letztem Kauf“ oder „durchschnittlicher Bestellwert“, die eine Kündigungsprognose deutlich verbessern können.
Dimensionsreduktion verringert die Zahl der Merkmale eines Datensatzes, ohne die wesentlichen Informationen zu verlieren. Bekannte Verfahren sind die Hauptkomponentenanalyse (PCA) sowie t-SNE und UMAP, die oft zur Visualisierung dienen. Das beschleunigt Berechnungen, senkt das Risiko der Überanpassung und macht Daten anschaulich – etwa wenn Hunderte Kundenmerkmale auf eine zweidimensionale Karte gebracht werden, auf der ähnliche Kunden nah beieinanderliegen.
Ein Einbettungsvektor (Embedding) ist eine Liste von Zahlen, die die Bedeutung eines Wortes, Satzes oder Dokuments so abbildet, dass inhaltlich ähnliche Texte nah beieinanderliegen. So lässt sich etwa erkennen, dass „Kündigung“ und „Vertrag beenden“ verwandt sind, obwohl sie kein Wort teilen. Embeddings bilden die Grundlage vieler semantischer Suchsysteme, Empfehlungsdienste und RAG-Anwendungen; sie werden von eigens trainierten Modellen berechnet.
Mustererkennung ist die automatische Identifikation von Regelmäßigkeiten, Strukturen oder wiederkehrenden Merkmalen in Daten wie Bildern, Tönen, Texten oder Messwerten. Systeme ordnen neue Beobachtungen bekannten Kategorien zu oder entdecken Gruppen ohne Vorgaben. Anwendungen sind etwa Gesichtserkennung, Handschrifterkennung, Qualitätsprüfung in der Produktion oder das Aufspüren auffälliger Transaktionen. Die Disziplin bildet eine wichtige Grundlage des maschinellen Lernens.
