Glosario

Extracción de características

¿Qué es Extracción de características?

La extracción de características (feature extraction) consiste en obtener a partir de datos brutos valores significativos que un modelo pueda procesar de forma eficiente. En lugar de millones de píxeles sueltos, un sistema usa por ejemplo bordes, colores o formas; los textos se convierten en pesos de palabras o vectores de embedding. Unas buenas características reducen el volumen de datos y el esfuerzo de cálculo, y a menudo mejoran la precisión. Es una parte central del feature engineering.

Temas

preparación de datos
feature engineering
modelado

Probar KI.ordo

Agentes, flujos y plantillas en un solo espacio de trabajo – demo gratuita de 24 horas.

Iniciar demo

← Todos los términos

Términos relacionados

Ingeniería y extracción de características

La ingeniería de características (feature engineering) consiste en seleccionar, transformar y crear atributos a partir de datos en bruto para que un algoritmo de aprendizaje detecte mejor los patrones. La extracción de características obtiene valores compactos y significativos de datos complejos como textos, imágenes o señales. Ejemplo: a partir de compras individuales se crean atributos como «días desde la última compra» o «importe medio del pedido», que pueden mejorar mucho una predicción de abandono.

Aprendizaje automático
Preparación de datos
+1

Reducción de dimensionalidad

La reducción de dimensionalidad disminuye el número de variables de un conjunto de datos sin perder la información esencial. Métodos conocidos son el análisis de componentes principales (PCA) y t-SNE y UMAP, que se usan a menudo para visualizar. Acelera los cálculos, reduce el riesgo de sobreajuste y hace los datos más comprensibles, por ejemplo al llevar cientos de atributos de clientes a un mapa bidimensional en el que los clientes parecidos quedan cerca.

análisis de datos
PCA
+1

Vector de embedding

Un vector de embedding (incrustación) es una lista de números que representa el significado de una palabra, frase o documento de forma que los textos de contenido parecido quedan cerca. Así se puede reconocer, por ejemplo, que «baja» y «terminar el contrato» están relacionados aunque no compartan palabras. Los embeddings son la base de muchos sistemas de búsqueda semántica, servicios de recomendación y aplicaciones RAG; los calculan modelos entrenados para ello.

vector
búsqueda semántica
+1

Reconocimiento de patrones

El reconocimiento de patrones es la identificación automática de regularidades, estructuras o rasgos recurrentes en datos como imágenes, sonidos, textos o mediciones. Los sistemas asignan nuevas observaciones a categorías conocidas o descubren grupos sin indicaciones previas. Entre sus aplicaciones están el reconocimiento facial y de escritura a mano, el control de calidad en la producción o la detección de transacciones inusuales. Es una base importante del aprendizaje automático.

fundamentos
clasificación
+1