Glosar

Extragerea de caracteristici

Ce este Extragerea de caracteristici?

Extragerea de caracteristici este procesul prin care se obțin valori relevante din date brute, astfel încât un model să le poată prelucra eficient. În loc de milioane de pixeli individuali, un sistem poate folosi contururi, culori sau forme; textele sunt transformate în ponderi ale cuvintelor sau în vectori de embedding. Caracteristicile bune reduc volumul de date, scad efortul de calcul și îmbunătățesc adesea acuratețea. Extragerea de caracteristici este o componentă centrală a ingineriei caracteristicilor (feature engineering).

Subiecte

pregătirea datelor
feature engineering
modelare

Încercați KI.ordo

Agenți, fluxuri și șabloane într-un singur spațiu de lucru – demo gratuit de 24 de ore.

Porniți demo-ul

← Toți termenii

Termeni înrudiți

Ingineria și extragerea caracteristicilor

Ingineria caracteristicilor (feature engineering) înseamnă selectarea, transformarea și crearea de atribute (caracteristici) pornind de la date brute, astfel încât un algoritm de învățare să poată detecta mai ușor tiparele. Extragerea caracteristicilor derivă valori compacte și semnificative din date complexe, precum texte, imagini sau semnale. Exemplu: înregistrările individuale de achiziție sunt transformate în caracteristici precum „zile de la ultima achiziție” sau „valoarea medie a comenzii”, ceea ce poate îmbunătăți vizibil o predicție a pierderii clienților.

Învățare automată
pregătirea datelor
+1

Reducerea dimensionalității

Reducerea dimensionalității scade numărul de caracteristici dintr-un set de date fără a pierde informațiile esențiale. Metodele cunoscute includ analiza componentelor principale (PCA), precum și t-SNE și UMAP, utilizate adesea pentru vizualizare. Accelerează calculele, reduce riscul de supraînvățare și face datele mai ușor de înțeles – de exemplu atunci când sute de atribute ale clienților sunt proiectate pe un grafic bidimensional în care clienții similari se află aproape unii de alții.

analiza datelor
PCA
+1

Vector de embedding

Un vector de embedding (embedding) este o listă de numere care reprezintă sensul unui cuvânt, al unei propoziții sau al unui document, astfel încât textele cu conținut similar să se afle aproape unele de altele. Aceasta face posibil să se recunoască, de exemplu, că „reziliere” și „încetarea contractului” sunt înrudite, chiar dacă nu au cuvinte comune. Embedding-urile stau la baza multor sisteme de căutare semantică, servicii de recomandare și aplicații RAG; ele sunt calculate de modele special antrenate.

vector
căutare semantică
+1

Recunoașterea tiparelor

Recunoașterea tiparelor este identificarea automată a regularităților, structurilor sau caracteristicilor recurente în date precum imagini, sunete, texte sau măsurători. Sistemele atribuie observații noi unor categorii cunoscute sau descoperă grupuri fără etichete predefinite. Aplicațiile includ recunoașterea facială, recunoașterea scrisului de mână, controlul calității în producție și depistarea tranzacțiilor neobișnuite. Disciplina este o bază importantă a învățării automate.

noțiuni de bază
clasificare
+1