Просмотр

Материал из MachineLearning.

У вас нет прав на выполнение этой операции по следующим причинам:

• Запрошенное действие могут выполнять только участники из групп emailconfirmed, Администраторы.
• Вы должны подтвердить ваш адрес электронной почты перед правкой страниц. Пожалуйста, введите и подтвердите ваш адрес эл. почты на странице настроек.

Вы можете просмотреть и скопировать исходный текст этой страницы:

'''Признаковое описание''' объекта — это вектор, составленный из значений фиксированного набора признаков на данном объекте. Признаки в общем случае могут иметь различные типы, причём не обязательно числовые. == Определения == Пусть <tex>X</tex> — множество объектов (ситуаций, прецедентов). Что есть объект, определяется спецификой предметной области. Например, в задачах [[медицинская диагностика|медицинской диагностики]] объектами являются пациенты. {{S|В задаче}} [[кредитный скоринг|кредитного скоринга]] объектами являются заёмщики. {{S|В задаче}} [[обнаружение спама|обнаружения спама]] объектами являются письма электронной почты. === Признак === '''Признаком''' (feature) называется результат измерения некоторой характеристики объекта. Формально, признак — это отображение <tex>f:\: X\to D_f</tex>, где <tex>D_f</tex> — множество допустимых значений признака. {{S|В зависимости}} от природы этого множества признаки делятся на следующие типы: * ''бинарный'' признак: <tex>D_f=\{0,1\}</tex>; * ''номинальный'' признак: <tex>D_f</tex> — конечное множество; * ''порядковый'' признак: <tex>D_f</tex> — конечное упорядоченное множество; * ''количественный'' признак: <tex>D_f=\mathbb{R}</tex>. В прикладных задачах встречаются и более сложные случаи. Значениями признаков могут быть числовые последовательности, изображения, тексты, функции, графы, результаты запросов к базе данных, {{S|и т. д.}} Если все признаки имеют одинаковый тип, {{S|то исходные}} данные называются ''однородными'', {{S|в противном}} случае — ''разнородными''. === Признаковое описание объекта === Пусть имеется ''набор признаков'' <tex>f_1,\ldots,f_n</tex>. Вектор <tex>\bigl( f_1(x),\ldots,f_n(x) \bigr)</tex> называется ''признаковым описанием'' объекта <tex>x\in X</tex>. {{S|В машинном}} обучении не делается различия между объектом и его признаковым описанием; полагается, что <tex>X = D_{f_1}\times\dots\times D_{f_n}</tex>. === Матрица объектов–признаков === Совокупность признаковых описаний всех объектов [[обучающая выборка|обучающей выборки]] <tex>X^\ell = \bigl(x_1,\ldots,x_\ell \bigr)</tex>, записанную в виде таблицы размером <tex>\ell\times n</tex>, называют ''матрицей объектов–признаков'', ''матрицей информации'' или просто ''матрицей исходных данных'': <center> <tex>F = \bigl( f_j(x_i) \bigr)_{\ell\times n} = \begin{pmatrix} f_1(x_1) & \cdots & f_n(x_1) \\ \cdots & \cdots & \cdots \\ f_1(x_\ell) & \cdots & f_n(x_\ell) \end{pmatrix} </tex> </center> Строки матрицы — это признаковые описания обучающих объектов. Столбцы матрицы соотвествуют признакам. Матрица {{S|«объекты &times; признаки»}} является стандартным и наиболее распространённым способом представления исходных данных в задачах [[классификация|классификации]] и [[регрессия|регрессии]]. Подавляющее большинство [[метод обучения|методов обучения]] приспособлены к обработке именно таких данных. Однако на практике встречаются задачи, в которых данные устроены сложнее. Например, в задаче обнаружения спама объекты (письма) представляются текстами произвольной длины; {{S|к тому же}}, {{S|в письмо}} могут быть вложены файлы произвольного формата. {{S|В таких}} случаях по имеющимся исходным данным вычисляются некоторые признаки, что позволяет привести данные к стандартному матричному виду. Этот приём называется ''[[извлечение признаков|извлечением признаков из данных]]'' (features extraction) или ''генерацией признаков'' (features generation). Таким образом, ''признаки'' — это характеристики объектов, которые либо измеряются непосредственно, либо вычисляются по «сырым» исходным данным. Любое отображение из множества <tex>X</tex> можно рассматривать как признак. == Литература == # ''Айвазян С. А., Енюков И. С., Мешалкин Л. Д.'' Прикладная статистика: основы моделирования и первичная обработка данных. — М.: Финансы и статистика, 1983. # ''Журавлев Ю. И., Рязанов В. В., Сенько О. В.'' «Распознавание». Математические методы. Программная система. Практические применения. — М.: Фазис, 2006. ISBN 5-7036-0108-8. # ''Загоруйко Н. Г.'' Прикладные методы анализа данных и знаний. — Новосибирск: ИМ СО РАН, 1999. ISBN 5-86134-060-9. # ''Hastie T., Tibshirani R., Friedman J.'' The Elements of Statistical Learning. — Springer, 2001. ISBN 0-387-95284-5. == Ссылки == * [http://www.ccas.ru/voron/teaching.html ''Воронцов К. В.'' Математические методы обучения по прецедентам]. Курс лекций. [[МФТИ]]. 2006 [[Категория:Машинное обучение]] [[Категория:Энциклопедия анализа данных]]

• Шаблон:Nobr
• Шаблон:S

Возврат к странице Признаковое описание.