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程，這將有助于預(yù)測模型更好地理解問題的真實性質(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)分所需類并自動提取它們的常用模式。在此過程之后，它們已準(zhǔn)備好用于分類或回歸問題。

讓我們考慮一個流行的圖像分類問題，面部圖像和非面部對象的分類。在計算機視覺的早期，科學(xué)家試圖通過手工編碼人臉可能特征的檢測算法來解決這個問題，如形狀，眼睛，鼻子，嘴唇等。這種方法通常會產(chǎn)生不良結(jié)果，因為臉部可能會出現(xiàn)在許多品種，即使是很大一部分功能也無法解釋。只需簡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)確度對手寫字符的圖像進行分類。卷積神經(jīng)網(wǎng)絡(luò)的巨大優(yōu)勢在于，它們非常擅長在每個級別之后增長的圖像中查找特征，最終導(dǎo)致高級特征。最終層（可以是一個或多個）使用所有這些生成的特征進行分類或回歸。