(→개요) |
|||
| 8번째 줄: | 8번째 줄: | ||
* 머신러닝과 패턴 인식 용어 | * 머신러닝과 패턴 인식 용어 | ||
* 데이터를 설명하는 입력 변수(<math>x_i</math>) | * 데이터를 설명하는 입력 변수(<math>x_i</math>) | ||
* 단순 선형 회귀의 <math>\{x_1, x_2, \cdots, x_n\}</math> | * 단순 선형 회귀의 x 변수( <math>\{x_1, x_2, \cdots, x_n\}</math> ) | ||
* [[예측 (머신러닝)|예측]]을 수행하는 데 사용되는 입력 변수 | * [[예측 (머신러닝)|예측]]을 수행하는 데 사용되는 입력 변수 | ||
* 관찰 대상에게서 발견된 개별적이고 측정가능한 경험적(heuristic) 속성을 말한다. | * 관찰 대상에게서 발견된 개별적이고 측정가능한 경험적(heuristic) 속성을 말한다. | ||
2020년 7월 7일 (화) 00:48 판
1 개요
- feature
- 피처, 피쳐, 특성
- 입력 변수
- 머신러닝과 패턴 인식 용어
- 데이터를 설명하는 입력 변수([math]\displaystyle{ x_i }[/math])
- 단순 선형 회귀의 x 변수( [math]\displaystyle{ \{x_1, x_2, \cdots, x_n\} }[/math] )
- 예측을 수행하는 데 사용되는 입력 변수
- 관찰 대상에게서 발견된 개별적이고 측정가능한 경험적(heuristic) 속성을 말한다.
- 독립적인 변수를 잘 선택하는 것은 패턴 인식 상에서 분류를 위한 성공 요인이라 할 수 있다.
- 피처들은 일반적으로 수치이나, 그래프와 같은 자료 구조적인 피쳐들도 있다.
- 피처들의 집합을 피처 벡터(feature vector)라고 한다.
- 굳이 벡터로 표시하는 이유는 수학적으로 다루기 편하기 때문이다.
- 피쳐라는 개념을 가져온 것은 선형 회귀와 같은 통계학적인 기법에서이다.
- 독립 변수와 종속 변수 개념 또한 통계학에서 가져왔다.
2 같이 보기
- 표현 (머신러닝)(representation)
- 공변량 (covariate)
- 해싱 트릭 (hashing trick)
- 차원 축소 (dimensionality reduction)
- 통계적 분류 (statistical classification)
- 설명가능 인공지능 (explainable artificial intelligence)
- 희소 특성(sparse feature)
- 밀집 특성(dense feature)
- 연속 특성(continuous feature)
- 불연속 특성(discrete feature)
- 특성 세트(feature set)
- 특성 사양(feature spec)
- 특성 교차(feature cross)
- 특성 엔지니어링 (feature engineering)
3 참고
네이버백과 "특성 (머신러닝)"
로그인하시면 댓글을 쓸 수 있습니다.
{{ comment.name }}
{{ comment.created | snstime }}
-
{{comment.page_title}} ―{{comment.name}}