Izdvajanje značajki postupak je izvođenja smislenih vrijednosti iz neobrađenih podataka kako bi ih model mogao učinkovito obrađivati. Umjesto milijuna pojedinačnih piksela sustav može upotrebljavati rubove, boje ili oblike; tekstovi se pretvaraju u težine riječi ili vektore umetanja (embeddinge). Dobre značajke smanjuju količinu podataka, snižavaju računalne troškove i često povećavaju točnost. Izdvajanje značajki ključni je dio inženjerstva značajki.
Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.
Pokrenite demoInženjering obilježja (feature engineering) znači odabir, transformaciju i stvaranje atributa (obilježja) iz neobrađenih podataka kako bi algoritam učenja lakše prepoznao obrasce. Izdvajanje obilježja iz složenih podataka poput teksta, slika ili signala izvodi kompaktne, smislene vrijednosti. Primjer: pojedinačni zapisi o kupnji pretvaraju se u obilježja poput „dana od posljednje kupnje” ili „prosječne vrijednosti narudžbe”, što može osjetno poboljšati predviđanje odlaska klijenata.
Smanjenje dimenzionalnosti smanjuje broj obilježja u skupu podataka bez gubitka bitnih informacija. Poznate metode uključuju analizu glavnih komponenti (PCA) te t-SNE i UMAP, koji se često koriste za vizualizaciju. Ubrzava izračune, smanjuje rizik od pretreniranosti i olakšava razumijevanje podataka – primjerice kada se stotine atributa klijenata preslikaju na dvodimenzionalni grafikon na kojem su slični klijenti blizu jedni drugima.
Vektor ugrađivanja (embedding) popis je brojeva koji predstavlja značenje riječi, rečenice ili dokumenta tako da tekstovi sličnog sadržaja leže blizu jedni drugima. To omogućuje, primjerice, prepoznavanje da su „otkaz” i „prekid ugovora” povezani iako nemaju zajedničkih riječi. Embeddingi su temelj mnogih sustava semantičke pretrage, usluga preporuka i RAG aplikacija; izračunavaju ih posebno trenirani modeli.
Prepoznavanje uzoraka automatsko je utvrđivanje pravilnosti, struktura ili ponavljajućih obilježja u podacima poput slika, zvukova, tekstova ili mjerenja. Sustavi nova opažanja razvrstavaju u poznate kategorije ili otkrivaju skupine bez unaprijed zadanih oznaka. Primjene uključuju prepoznavanje lica, prepoznavanje rukopisa, kontrolu kvalitete u proizvodnji i uočavanje neobičnih transakcija. Ta je disciplina važna osnova strojnog učenja.
