Glossario

Estrazione delle caratteristiche

Che cos’è Estrazione delle caratteristiche?

L’estrazione delle caratteristiche (feature extraction) consiste nel ricavare dai dati grezzi valori significativi che un modello possa elaborare in modo efficiente. Invece di milioni di singoli pixel, un sistema usa ad esempio bordi, colori o forme; dai testi si ottengono pesi delle parole o vettori di embedding. Buone caratteristiche riducono la quantità di dati, abbassano il carico di calcolo e spesso migliorano l’accuratezza. È una parte centrale del feature engineering.

Temi

preparazione dati
feature engineering
modellazione

Prova KI.ordo

Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.

Avvia demo

← Tutti i termini

Termini correlati

Feature engineering ed estrazione delle feature

Il feature engineering consiste nel selezionare, trasformare e creare caratteristiche (feature) a partire dai dati grezzi, perché un algoritmo di apprendimento riconosca meglio gli schemi. L’estrazione delle feature ricava valori compatti e significativi da dati complessi come testi, immagini o segnali. Esempio: dai singoli acquisti nascono feature come «giorni dall’ultimo acquisto» o «valore medio dell’ordine», che possono migliorare sensibilmente una previsione di abbandono dei clienti.

Machine learning
Preparazione dei dati
+1

Riduzione della dimensionalità

La riduzione della dimensionalità diminuisce il numero di caratteristiche di un insieme di dati senza perdere le informazioni essenziali. Metodi noti sono l'analisi delle componenti principali (PCA) e t-SNE e UMAP, spesso usati per la visualizzazione. Accelera i calcoli, riduce il rischio di overfitting e rende i dati più leggibili, ad esempio quando centinaia di attributi dei clienti vengono riportati su una mappa bidimensionale in cui i clienti simili sono vicini.

analisi dei dati
PCA
+1

Vettore di embedding

Un vettore di embedding è una lista di numeri che rappresenta il significato di una parola, di una frase o di un documento in modo che testi dal contenuto simile risultino vicini. Così si può riconoscere, ad esempio, che «disdetta» e «chiudere il contratto» sono collegati pur non avendo parole in comune. Gli embedding sono alla base di molti sistemi di ricerca semantica, servizi di raccomandazione e applicazioni RAG; vengono calcolati da modelli addestrati appositamente.

vettore
ricerca semantica
+1

Riconoscimento di pattern

Il riconoscimento di pattern è l’identificazione automatica di regolarità, strutture o caratteristiche ricorrenti in dati come immagini, suoni, testi o misurazioni. I sistemi assegnano nuove osservazioni a categorie note oppure scoprono gruppi senza indicazioni predefinite. Applicazioni tipiche sono il riconoscimento facciale e della scrittura a mano, il controllo qualità in produzione o l’individuazione di transazioni anomale. È una base importante dell’apprendimento automatico.

fondamenti
classificazione
+1