특성 (머신러닝)

  다른 뜻에 대해서는 특성(特性) 문서를 참조하십시오.

  다른 뜻에 대해서는 특성 (게임) 문서를 참조하십시오.

  다른 뜻에 대해서는 특성 (머신러닝) 문서를 참조하십시오.

1 개요

feature

피처, 피쳐, 특성, 특성값, 특징값

• 입력 변수
• ≒ 독립변수( [math]\displaystyle{ x }[/math] 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
• 간단한 머신러닝 프로젝트에서는 특성 하나를 사용하지만 복잡한 머신러닝 프로젝트에서는 수백만 개의 특성을 사용할 수 있다.
• 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.
• 구체적이고 수량화 가능한 특성이 좋은 특성이다.

2 예시

스팸 감지 예에는 다음과 같은 특성이 포함될 수 있다.

• 이메일 텍스트의 단어
• 보내는 사람의 주소
• 이메일이 전송된 시간
• '이상한 속임수 하나'라는 구문이 포함된 이메일

3 같이 보기

• 예 (머신러닝)(example)
• 표현 (머신러닝)(representation)
• 레이블 (머신러닝)(label)
• 공변량 (covariate)
• 독립변수
• 해싱 트릭 (hashing trick)
• 차원 축소 (dimensionality reduction)
• 통계적 분류 (statistical classification)
• 설명가능 인공지능 (explainable artificial intelligence)
• 밀집 특성(dense feature)
• 연속 특성(continuous feature)
• 합성 특성(synthetic feature)
• 희소 특성(sparse feature)
• 불연속 특성(discrete feature)
• 특성 열(feature column)
• 특성 맵(feature map)
• 특성 세트(feature set)
• 특성 사양(feature spec)
• 특성 교차(feature cross)
• 특성 추출(feature extraction)
• 특성 선택(feature selection)
• 특성 엔지니어링 (feature engineering)

4 참고

• 영어 위키백과 "Feature (machine learning)"
• 위키백과 "피쳐 (기계 학습)"
• 다음백과 "특성 (머신러닝)"
• 네이버백과 "특성 (머신러닝)"
• https://developers.google.com/machine-learning/glossary?hl=ko#%ED%8A%B9%EC%84%B1feature