特征學(xué)習(xí)

特征工程或特征提取是從輸入數(shù)據(jù)中提取有用模式的過(guò)程，這將有助于預(yù)測(cè)模型更好地理解問(wèn)題的真實(shí)性質(zhì)。良好的特征學(xué)習(xí)將以一種方式呈現(xiàn)模式，該方式以機(jī)器學(xué)習(xí)本身不可能或太昂貴的方式顯著提高所應(yīng)用的機(jī)器學(xué)習(xí)算法的準(zhǔn)確性和性能。特征學(xué)習(xí)算法找到了區(qū)分所需類并自動(dòng)提取它們的常用模式。在此過(guò)程之后，它們已準(zhǔn)備好用于分類或回歸問(wèn)題。

讓我們考慮一個(gè)流行的圖像分類問(wèn)題，面部圖像和非面部對(duì)象的分類。在計(jì)算機(jī)視覺(jué)的早期，科學(xué)家試圖通過(guò)手工編碼人臉可能特征的檢測(cè)算法來(lái)解決這個(gè)問(wèn)題，如形狀，眼睛，鼻子，嘴唇等。這種方法通常會(huì)產(chǎn)生不良結(jié)果，因?yàn)槟槻靠赡軙?huì)出現(xiàn)在許多品種，即使是很大一部分功能也無(wú)法解釋。只需簡(jiǎn)單地改變光照或方向就可以改變圖像，使算法不再能夠檢測(cè)到面部。

1998年，Yann Lecun介紹了卷積神經(jīng)網(wǎng)絡(luò)的概念，它能夠以大約99％的準(zhǔn)確度對(duì)手寫字符的圖像進(jìn)行分類。卷積神經(jīng)網(wǎng)絡(luò)的巨大優(yōu)勢(shì)在于，它們非常擅長(zhǎng)在每個(gè)級(jí)別之后增長(zhǎng)的圖像中查找特征，最終導(dǎo)致高級(jí)特征。最終層（可以是一個(gè)或多個(gè)）使用所有這些生成的特征進(jìn)行分類或回歸。