扫码加入数据分析学习群

特征学习

特征工程或特征提取是从输入数据中提取有用模式的过程，这将有助于预测模型更好地理解问题的真实性质。良好的特征学习将以一种方式呈现模式，该方式以机器学习本身不可能或太昂贵的方式显着提高所应用的机器学习算法的准确性和性能。特征学习算法找到了区分所需类并自动提取它们的常用模式。在此过程之后，它们已准备好用于分类或回归问题。

让我们考虑一个流行的图像分类问题，面部图像和非面部对象的分类。在计算机视觉的早期，科学家试图通过手工编码人脸可能特征的检测算法来解决这个问题，如形状，眼睛，鼻子，嘴唇等。这种方法通常会产生不良结果，因为脸部可能会出现在许多品种，即使是很大一部分功能也无法解释。只需简单地改变光照或方向就可以改变图像，使算法不再能够检测到面部。

1998年，Yann Lecun介绍了卷积神经网络的概念，它能够以大约99％的准确度对手写字符的图像进行分类。卷积神经网络的巨大优势在于，它们非常擅长在每个级别之后增长的图像中查找特征，最终导致高级特征。最终层（可以是一个或多个）使用所有这些生成的特征进行分类或回归。