특성 추출

특징 추출은 머신 러닝에서 중요한 프로세스입니다. 머신 러닝(ML)의 중요한 프로세스입니다. 원시 데이터를 알고리즘으로 처리할 수 있는 수치 표현으로 변환하는 동시에 원본 데이터 세트의 가장 관련성 높은 정보를 보존하면서 알고리즘이 처리할 수 있는 수치 표현으로 변환하는 것을 포함합니다. 이미지의 원시 픽셀 값이나 오디오 파형과 같은 고차원 입력을 정제하여 또는 오디오 파형과 같은 고차원 입력을 관리 가능한 속성 집합으로 정제함으로써 특징 추출은 데이터의 복잡성을 줄여줍니다. 이러한 변환은 데이터의 복잡성을 줄이는 데 필수적입니다. 차원성의 저주, 입력 변수가 너무 많으면 입력 변수가 지나치게 많으면 모델의 성능에 부정적인 영향을 미치고 계산 비용이 증가할 수 있습니다. 효과적인 추출 방법은 노이즈에서 신호를 분리하여 예측 모델링 도구가 패턴을 학습하는 예측 모델링 도구가 보다 효율적으로 학습할 수 있습니다.

AI에서 특징 추출의 역할

특징 추출의 주요 목표는 복잡한 데이터를 특징 벡터로 변환하는 것입니다. 특징 벡터로 변환하는 것입니다. 특징 벡터로 변환하는 것입니다. 이 프로세스는 모델 학습 워크플로우를 최적화하는 데 모델 학습 워크플로우를 최적화하는 데 매우 중요합니다. 중복되는 데이터의 양을 줄임으로써 데이터의 양을 줄임으로써 개발자는 학습 시간을 단축하고 메모리 사용량을 줄일 수 있습니다. 또한 입력 데이터를 단순화하면 입력 데이터를 단순화하면 과적합을 방지하여 모델이 훈련 세트의 노이즈를 암기하는 대신 새로운 예시에도 잘 일반화할 수 있습니다.

최신 딥 러닝(DL)에서는 특징 추출 은 종종 자동화됩니다. 다음과 같은 아키텍처 컨볼루션 신경망(CNN) 과 같은 아키텍처는 필터 레이어를 활용하여 이미지에서 식별 특성을 자동으로 학습합니다. 초기 detect 단순한 가장자리나 텍스처를 감지하고, 더 깊은 레이어는 이를 눈이나 바퀴와 같은 복잡한 형태로 결합합니다. 이 자동화된 접근 방식은 기존의 컴퓨터 비전(CV) 기술과 대조됩니다. 전문가가 이미지의 주요 지점을 식별하는 알고리즘을 수동으로 설계한 스케일 불변 특징 변환(SIFT)과는 대조적입니다.

실제 애플리케이션

특징 추출은 많은 혁신의 엔진입니다. 인공 지능(AI) 기술의 엔진입니다.

• 의료 진단: 다음 분야에서 의료 분야의 AI는 알고리즘이 엑스레이나 MRI 스캔과 같은 의료 이미지를 분석합니다. 의료 이미지 분석을 통해 의료 이미지 분석, 모델 추출 조직 밀도, 종양 모양 또는 질감 이상과 관련된 특징을 추출합니다. 이러한 기능을 통해 시스템은 다음을 지원할 수 있습니다. 영상의학과 전문의가 질병을 조기에 발견하여 환자 치료 결과를 크게 개선할 수 있습니다.
• 자율주행 차량: 자율 주행 자동차는 안전하게 주행하기 위해 특징 추출에 크게 의존합니다. 다음을 통해 온보드 카메라의 비디오 피드를 처리합니다, 물체 감지 모델은 차선 표시와 같은 중요한 차선 표시, 교통 표지판, 보행자 실루엣과 같은 중요한 특징을 식별합니다. 이러한 실시간 분석은 다음을 가능하게 합니다. 자동차 시스템의 AI가 스티어링 및 제동과 관련하여 순식간에 스티어링 및 제동에 관한 결정을 내릴 수 있습니다.

Ultralytics YOLO 통한 자동 추출

다음과 같은 최첨단 모델 Ultralytics YOLO11 와 같은 최신 모델은 백본으로 알려진 구성 요소를 사용하여 특징 추출을 추출을 수행합니다. 이미지가 네트워크를 통과할 때 백본은 물체의 존재를 강조하는 물체의 존재를 강조하는 특징 맵을 생성합니다.

다음 코드 스니펫은 사전 학습된 모델을 로드하고 추론을 수행하는 방법을 보여줍니다. 이 과정에서 모델은 내부적으로 특징을 추출하여 객체를 찾고 classify .

from ultralytics import YOLO

# Load a pretrained YOLO11 model which contains a learned feature extraction backbone
model = YOLO("yolo11n.pt")

# Run inference on an image; the model extracts features to detect the bus
results = model("https://ultralytics.com/images/bus.jpg")

# Display the resulting bounding boxes derived from the extracted features
results[0].show()

관련 개념 구분하기

데이터 과학 및 데이터 전처리 워크플로우에서 발견되는 유사한 용어와 특징 추출을 구별하는 것이 중요합니다. 데이터 전처리 워크플로우와 구별하는 것이 중요합니다.

• 특징 추출 대 특징 엔지니어링: 피처 엔지니어링은 도메인 지식을 사용하여 원시 데이터에서 새로운 피처를 생성하는 수작업 프로세스를 의미하는 더 넓은 의미의 용어입니다. 새로운 피처를 만드는 수작업 프로세스를 의미합니다(예: 체중 및 신장 열에서 '체질량 지수'를 계산하는 것). 특징 추출은 고차원 데이터(예: 픽셀)를 저차원 공간으로 변환하는 특정 유형의 엔지니어링입니다. 저차원 공간으로 변환하는 특정 유형의 엔지니어링으로, 종종 다음과 같은 수학적 기법을 사용합니다. 주성분 분석(PCA) 또는 학습된 네트워크 레이어와 같은 수학적 기법을 사용합니다.
• 특징 추출 대 차원 축소: 차원 감소는 고려 중인 무작위 변수의 수를 줄이는 것을 목표로합니다. 특징 추출은 새롭고 결합된 특징을 생성하여 이 목표를 달성하는 방법입니다. 또 다른 방법은 특징 선택은 기존 특징의 하위 집합을 기존 특징의 하위 집합을 선택하는 방법입니다.

다음과 같은 프레임워크 PyTorch 및 TensorFlow 와 같은 프레임워크는 수동 및 자동 특징 추출 파이프라인을 모두 구현하는 데 필요한 수동 및 자동화된 특징 추출 파이프라인을 구현하는 데 필요한 도구를 제공하여 강력한 AI 에이전트 및 분석 도구를 개발할 수 있습니다.