Glossário

Extração de características

O que é Extração de características?

A extração de características é o processo de obter valores relevantes a partir de dados em bruto, para que um modelo os possa processar com eficiência. Em vez de milhões de píxeis individuais, um sistema pode utilizar arestas, cores ou formas; os textos são convertidos em ponderações de palavras ou em vetores de embedding. Boas características reduzem o volume de dados, diminuem o esforço de cálculo e, muitas vezes, melhoram a exatidão. A extração de características é uma parte essencial da engenharia de características.

Temas

preparação de dados
engenharia de características
modelação

Experimentar o KI.ordo

Agentes, fluxos e modelos num só espaço de trabalho – demonstração gratuita de 24 horas.

Iniciar demonstração

← Todos os termos

Termos relacionados

Engenharia e extração de características

A engenharia de características consiste em selecionar, transformar e criar atributos (características) a partir de dados em bruto, para que um algoritmo de aprendizagem consiga detetar padrões com mais facilidade. A extração de características obtém valores compactos e significativos a partir de dados complexos, como texto, imagens ou sinais. Exemplo: registos de compras individuais são transformados em características como "dias desde a última compra" ou "valor médio da encomenda", o que pode melhorar de forma notória uma previsão de abandono de clientes.

Aprendizagem automática
Preparação de dados
+1

Redução de dimensionalidade

A redução de dimensionalidade diminui o número de características de um conjunto de dados sem perder a informação essencial. Entre os métodos mais conhecidos estão a análise de componentes principais (PCA), bem como o t-SNE e o UMAP, frequentemente usados para visualização. Acelera os cálculos, reduz o risco de sobreajuste e torna os dados mais fáceis de compreender – por exemplo, quando centenas de atributos de clientes são projetados num gráfico bidimensional em que clientes semelhantes ficam próximos uns dos outros.

análise de dados
PCA
+1

Vetor de embedding

Um vetor de embedding (embedding) é uma lista de números que representa o significado de uma palavra, frase ou documento, de modo que textos com conteúdo semelhante fiquem próximos uns dos outros. Isto permite reconhecer, por exemplo, que "rescisão" e "fim do contrato" estão relacionados, apesar de não partilharem palavras. Os embeddings estão na base de muitos sistemas de pesquisa semântica, serviços de recomendação e aplicações RAG; são calculados por modelos especificamente treinados.

vetor
pesquisa semântica
+1

Reconhecimento de padrões

O reconhecimento de padrões é a identificação automática de regularidades, estruturas ou características recorrentes em dados como imagens, sons, textos ou medições. Os sistemas atribuem novas observações a categorias conhecidas ou descobrem grupos sem rótulos predefinidos. Entre as aplicações contam-se o reconhecimento facial, o reconhecimento de escrita manual, a inspeção de qualidade na produção e a deteção de transações invulgares. A disciplina é um alicerce importante da aprendizagem automática.

fundamentos
classificação
+1