Öznitelik çıkarımı

Makine öğrenimi, örüntü tanıma ve görüntü işleme alanlarında kullanılan öznitelik çıkarımı (özellik çıkarımı), girdi olarak verilen ölçülmüş verileri kullanarak türetilmiş değerler (öznitelikler) oluşturur. Türetilen değerlerin bilgilendirici ve artıksız olması, öğrenme sürecini kolaylaştırıcı olması ve bazı durumlarda insan uzmanlar tarafından daha iyi anlaşılabilir (yorumlanabilir) olması amaçlanır. Öznitelik çıkarımı, boyut indirgeme konusuyla ilişkilidir.

Genel

Öznitelik çıkarımı büyük bir veri kümesini açıklamak için gereken kaynak miktarını azaltmayı içerir. Karmaşık bir veri üzerinde analiz yapılırken ortaya çıkan ana problemlerden biri de kullanılan değişken sayısının artmasıdır. Çok fazla değişken içeren analizler genellikle büyük bir bellek alanına ve işlemci gücüne gereksinim duyar, ayrıca sınıflandırma algoritmalarının eğitim kümesine aşırı uymasına sebep olarak tahmin performansını düşürür. Öznitelik çıkarımı, değişkenlerin kombinasyonlarını oluşturarak bu sorunları aşmayı ve veriyi yeterli bir doğrulukla açıklayabilir olmayı sağlayan yöntemleri tanımlayan genel bir terimdir.

Öznitelikler bir alan uzmanı tarafından öznitelik mühendisliği yapılarak çıkarılabilir. Eğer böyle bir uzman bilgisi mevcut değilse genel boyut indirgeme yöntemleri kullanılabilir.[1] Bunlardan bazıları:

Temel bileşen analizi (PCA)
Doğrusal ayırma analizi (LDA)
Faktör analizi
Otomatik kodlayıcı (İngilizce: Autoencoder)
Eşölçülü özellik haritalama (İngilizce: Isomap)
Derin öznitelik sentezi

Görüntü işleme

Önemli bir uygulama alanı görüntü işlemedir. Bir görüntünün ya da videonun içinden istenilen kısımların ya da şekillerin (öznitelikler) çeşitli algoritmalar yardımıyla tespit edilmesi ve yalıtılması için kullanılır. Özellikle optik karakter tanıma konusunda kullanımı önemlidir.

Öznitelik çıkarma yazılımları

Birçok veri analizi yazılımı öznitelik çıkarımını ve boyut indirgemeyi içeren paketler sağlar. Yaygın sayısal programlama ortamlarından MATLAB, SciLab, NumPy veR programlama dili bazı basit öznitelik çıkarma yöntemlerini dahili komutlar ile destekler. Daha özellikli algoritmalara kamuya açık kodlar ya da eklentiler olarak ulaşılabilir.

Kaynakça

Ethem Alpaydın (2010). Introduction to Machine Learning. Londra: The MIT Press. s. 110. ISBN 978-0-262-01243-0. 2 Mart 2017 tarihinde kaynağından arşivlendi. Erişim tarihi: 4 Şubat 2017.

This article is issued from Wikipedia. The text is licensed under Creative Commons - Attribution - Sharealike. Additional terms may apply for the media files.

[alpaydin-1] Ethem Alpaydın (2010). Introduction to Machine Learning. Londra: The MIT Press. s. 110. ISBN 978-0-262-01243-0. 2 Mart 2017 tarihinde kaynağından arşivlendi. Erişim tarihi: 4 Şubat 2017.

Makine öğrenmesi ve veri madenciliği

Problemler Sınıflandırma Kümeleme Regresyon Anomali tespiti Association rules Pekiştirmeli öğrenme Yapılandırılmış tahmin Öznitelik mühendisliği Öznitelik öğrenmesi Öznitelik çıkarımı Online öğrenme Yarı-gözetimli öğrenme Gözetimsiz öğrenme Sıralama öğrenme Gramer Tümevarımı
Gözetimli öğrenme Karar ağacı Birlik öğrenmesi k-YK Doğrusal regresyon Naive Bayes Sinir ağları Lojistik regresyon Relevance vector machine (RVM) Support vector machine (SVM) Rastgele orman
Kümeleme BIRCH Hiyerarşik k-means Beklenti maksimizasyon DBSCAN OPTICS Mean-shift
Boyut indirgeme Faktör analizi CCA ICA LDA NMF PCA t-SNE
Yapılandırılmış tahmin Grafiksel modeller (Bayes ağları, CRF, HMM)
Anomali tespiti k-NN Local outlier factor
Sinir ağları Perseptron Autoencoder Derin öğrenme Çok katmanlı perseptron RNN Kısıtlı Boltzmann makinesi SOM Kıvrımlı sinir ağları
Pekiştirmeli öğrenme Q-Learning SARSA Temporal Difference (TD)
Teori Bias-variance ikilemi Hesaplamalı öğrenme teorisi Empirik risk minimizasyonu Occam learning PAC learning İstatistiki öğrenme teorisi VC theory
Konferanslar ve dergiler NIPS ICML ML JMLR ArXiv:cs.LG