特征提取

特征提取是机器学习 (ML) 特征提取是机器学习（ML）的关键过程，它涉及 特征提取是机器学习（ML）的关键过程，它涉及将原始数据转化为可由算法处理的数字表示，同时保留原始数据集的最相关信息。 原始数据集最相关的信息。通过将高维输入（如图像中的原始像素值或音频波形 或音频波形等高维输入信息提炼成一组易于管理的属性，从而降低了数据的复杂性。这种 这种转换对于处理 维度诅咒是一种现象，即过多的输入变量会对数据产生负面影响。 过多的输入变量会对模型的性能产生负面影响，并增加计算成本。 有效的提取方法能将信号从噪声中分离出来，使 预测建模工具更高效地学习模式 更有效地学习模式。

特征提取在人工智能中的作用

特征提取的主要目的是将复杂数据转换为特征向量。 特征向量，它是一种紧凑的表示形式，包含了输入数据的基本特征。 输入的基本特征。这一过程对于优化 模型训练工作流程至关重要。通过减少冗余数据量 数据量，开发人员就能加快训练时间并降低内存使用率。此外，简化输入数据 有助于防止过度拟合，确保模型 能很好地泛化到新的、未见过的示例中，而不是记住训练集中的噪声。

在现代深度学习（DL）中，特征提取 通常是自动化的。架构如 卷积神经网络（CNNs） 等架构利用层层过滤器自动学习图像中的识别特征。初始层可能会detect 简单的边缘或纹理，而更深层次的滤波器则将这些滤波器组合成复杂的形式，如眼睛或车轮。这种自动 方法与传统的 计算机视觉（CV）技术，如 规模不变特征变换（SIFT）等传统计算机视觉（CV）技术形成鲜明对比，在这些技术中，专家们通过手动设计算法来识别图像中的关键点。

实际应用

特征提取是许多变革性 人工智能（AI） 技术背后的引擎。

• 医疗诊断：在 人工智能在医疗保健领域的应用 X射线或核磁共振成像扫描等图像。通过 医学图像分析，模型提取 与组织密度、肿瘤形状或纹理异常相关的特征。这些特征使系统能够协助 放射科医生进行早期疾病检测，从而显著改善患者的治疗效果。
• 自动驾驶汽车：自动驾驶汽车主要依靠特征提取来实现安全导航。通过 处理来自车载摄像头的视频信号、 物体检测模型可识别关键 特征，如车道标记、交通标志和行人轮廓。这种实时分析使 汽车系统中的人工智能可在瞬间做出有关转向和制动的决定。 做出有关转向和制动的决策。

使用Ultralytics YOLO进行自动提取

最先进的模型，如 Ultralytics YOLO11利用一个 组件来执行特征提取。 进行特征提取。当图像通过网络时，主干网会生成 特征图，突出显示物体的存在。

下面的代码片段演示了如何加载预训练模型并执行推理。在此过程中 模型会在内部提取特征来定位和classify 对象。

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()

区分相关概念

必须将特征提取与数据科学和数据预处理工作流程中的类似术语区分开来。 数据预处理工作流程中的类似术语。

• 特征提取与特征工程 特征工程 特征工程是一个更宽泛的术语，通常意味着使用领域知识从原始数据中创建新特征的手动流程（例如，从体重和身高列中计算出 "体重指数"）。 例如，从体重和身高列计算 "身体质量指数"）。特征提取 特征提取是一种特殊的工程技术，它将高维数据（如像素）转换到较低维的空间中，通常使用数学方法。 通常使用的数学技术包括 主成分分析 (PCA) 或学习网络层等数学技术。
• 特征提取与降维 降维 降维的目标是减少所考虑的随机变量的数量。特征提取 特征提取是通过创建新的组合特征来实现这一目标的方法。另一种方法是 特征选择 不改变现有特征的子集。

框架，如 PyTorch和 TensorFlow等框架提供了实现 手动和自动特征提取管道，从而开发出强大的 人工智能代理和分析工具。