“特征提取”是机器学习的核心任务吗？
我一直在和一个朋友争论“特征提取”。他说，ML的主要任务是提取特征。但我不同意。一般来说，特征提取不是一项ML任务。如果我们认为wx b是表示ML的最简单的方法，那么ML的任务就是找到最好的w和b。x是特征。ML试图找出给定x的最佳w和b值，它与训练数据匹配，从而学习如何找到w和b。
我的朋友说提取特征是ML的核心任务。但据我所知，特征提取主要是一项数据预处理任务。
共有1个答案
提取特征是机器学习中的一项重要工作。没有特征，你就找不到最好的“w”和“b”。如果你能够在没有特征提取的情况下找到w和b，那么你就不需要继续使用机器学习了。
-
在机器学习中，灰度图像的特征提取是一个难题。 我有一个灰色的图像，是用这个从彩色图像转换而来的。 我实际上需要从这张灰色图片中提取特征，因为下一部分将训练一个具有该特征的模型，以预测图像的彩色形式。 我们不能使用任何深度学习库 有一些方法，如快速筛选球。。。但我真的不知道如何才能为我的目标提取特征。 以上代码的输出就是真的。 有什么解决方案或想法吗？我该怎么办？
-
主成分分析是一种降维方法，通过将一个大的特征集转换成一个较小的特征集，这个特征集仍然包含了原始数据中的大部分信息，从而降低了原始数据的维数。换句话说就是减少数据集的特征数量，同时尽可能地保留信息。降维是将训练数据中的样本(实例)从高维空间转换到低维空间，该过程与信息论中有损压缩概念密切相关。同时要明白的，不存在完全无损的降维。
-
我一直在努力创建一个Python模块，该模块执行特征提取，最终被机器学习算法使用。 我的方法是用（手工制作的）特征来增强最初的黄金标准数据集，从而创建一个新的数据集，这样训练就不涉及任何特征创建，这可能很昂贵。我相信这是大多数数据集的规范——总是包含核心特征（例如词性标签、命名实体标签、语义标签等）。 我使用的数据集只包括所有标记的句子，格式为XML标记。例如： 我想为每个标记添加其他信息，例如词
-
假设我有两组不同的特性A和B。我正在尝试确定哪一组特性是最好的。由于我的数据集很小，所以我使用了漏掉一个交叉验证作为最终指标。我正试图弄清楚我的实验装置，我在以下几种方式中做出选择： 1） 将特征集A赋予我的分类器（并可选地运行特征选择），将特征集B赋予同一分类器（也可选地运行特征选择），然后比较这两个分类器之间的LOOCV错误？ 2） 将特征集A和B赋予分类器，然后明确地对其进行特征选择，然后根
-
说明 该文档为“3Blue1Brown - 深度学习系列视频”的整理，主要包括三个视频 神经网络的结构 梯度下降法 反向传播算法 让我们跟着 3Blue1Brown 从偏数学的角度来理解神经网络（原视频假设观众对神经网络没有任何背景知识） 目录 内容： 神经网络是什么？ 神经网络的结构 神经网络的工作机制 深度学习中的“学习”指的是什么？ 神经网络的不足 示例：一个用于数字手写识别的神经网络 这个
-
Spark特征提取（Extracting）的3种算法（TF-IDF、Word2Vec以及CountVectorizer）结合Demo进行一下理解 TF-IDF算法介绍： 词频－逆向文件频率（TF-IDF）是一种在文本挖掘中广泛使用的特征向量化方法，它可以体现一个文档中词语在语料库中的重要程度。 词语由t表示，文档由d表示，语料库由D表示。词频TF(t,,d)是词语t在文档d中出现的次数。文件频率D