About: Feature engineering

Facets (new session)
Description
Metadata
Settings
- Rule:
- Inverse Functional Properties:
- "Same As":

About: Feature engineering Goto Sponge NotDistinct Permalink

An Entity of Type : dbo:Election, within Data Space : dbpedia.org associated with source document(s)
QRcode icon

http://dbpedia.org/describe/?url=http%3A%2F%2Fdbpedia.org%2Fresource%2FFeature_engineering&graph=http%3A%2F%2Fdbpedia.org&graph=http%3A%2F%2Fdbpedia.org

Feature engineering or feature extraction or feature discovery is the process of using domain knowledge to extract features (characteristics, properties, attributes) from raw data. The motivation is to use these extra features to improve the quality of results from a machine learning process, compared with supplying only the raw data to the machine learning process.

Attributes	Values
rdf:type	Election
rdfs:label	Feature engineering (en) Ingénierie des caractéristiques (fr) 특징 공학 (ko) Engenharia de características (pt) Конструирование признаков (ru) 特征工程 (zh) Конструювання ознак (uk)
rdfs:comment	Feature engineering or feature extraction or feature discovery is the process of using domain knowledge to extract features (characteristics, properties, attributes) from raw data. The motivation is to use these extra features to improve the quality of results from a machine learning process, compared with supplying only the raw data to the machine learning process. (en) L'ingénierie des caractéristiques (en anglais feature engineering) a un rôle important, notamment dans l’analyse des données. Sans données, les algorithmes d’exploitation et d’apprentissage automatique de données ne seront pas en mesure de fonctionner. En effet, il s’avère qu’en réalité, on ne pourrait réaliser que peu de choses si nous disposons que de très peu de caractéristiques afin de pouvoir représenter les objets de données, ou les banques de données, sous-jacents. De surcroît, la qualité des résultats de tous ces algorithmes est dépendante et est directement liée à la qualité des caractéristiques dont on peut disposer. Ainsi, il existe différentes formes de données comme la séquence, la série chronologique, le graphique, le texte ou encore l’image. (fr) 특징 공학(feature enginnering) 또는 피처 엔지니어링은 도메인 지식을 이용해 원자료를 가공하여 특징을 추출하는 작업이다. (ko) 特徵工程（英語：feature engineering）又稱特徵提取（英語：feature extraction）或特徵發現（英語：feature discovery）是使用領域知識從原始數據中提取特徵（特徵、屬性、特性）的過程。與僅向機器學習過程提供原始數據相比，其動機是使用這些額外的功能來提高機器學習過程的結果質量。 (zh) Конструирование признаков — это процесс использования предметной области данных для создания признаков, которые нужны для обучения машин. Конструирование признаков является фундаментом для приложений машинного обучения, a также процессом трудным и затратным. Необходимости ручного конструирования признаков можно избежать при автоматизации прикладного обучения признакам. Конструирование признаков является неформальной областью, но считается существенным в машинном обучении. — Эндрю Ын (ru) Конструюва́ння озна́к (англ. feature engineering) — це процес застосування знань предметної галузі для створення ознак, які забезпечують роботу алгоритмів машинного навчання. Конструювання ознак є фундаментальним для застосування машинного навчання, і є як складним, так і витратним. Потребу в ручному конструюванні ознак можливо усувати автоматизованим навчанням ознак. Конструювання ознак є неформальним предметом, але вважається істотним у прикладному машинному навчанні. (uk)
dcterms:subject	Machine learning Data analysis
Wikipage page ID	46207323 (xsd:integer)
Wikipage revision ID	1119595494 (xsd:integer)
Link from a Wikipage to another Wikipage	Python (programming language) Archimedes number Reynolds number Decision tree Nusselt number Covariate Brainstorming Machine learning Feature (machine learning) Feature extraction Feature learning Feature selection Kernel method Machine learning C++ C (programming language) Data Domain knowledge Heat transfer Data transformation (statistics) Fluid dynamics Regularization (mathematics) Data analysis Dimensionless quantity Software testing Space mapping Instrumental variables estimation Categorical variable Sedimentation Strength of materials List of datasets for machine learning research Automated feature engineering Hashing trick
sameAs	Feature engineering Feature engineering Feature engineering Feature engineering Feature engineering Feature engineering Feature engineering Feature engineering Feature engineering Feature engineering Feature engineering
dbp:wikiPageUsesTemplate	dbt:Citation_needed dbt:Cite_book dbt:Cquote dbt:Reflist dbt:Promotional_source dbt:Machine_learning
has abstract	Feature engineering or feature extraction or feature discovery is the process of using domain knowledge to extract features (characteristics, properties, attributes) from raw data. The motivation is to use these extra features to improve the quality of results from a machine learning process, compared with supplying only the raw data to the machine learning process. (en) L'ingénierie des caractéristiques (en anglais feature engineering) a un rôle important, notamment dans l’analyse des données. Sans données, les algorithmes d’exploitation et d’apprentissage automatique de données ne seront pas en mesure de fonctionner. En effet, il s’avère qu’en réalité, on ne pourrait réaliser que peu de choses si nous disposons que de très peu de caractéristiques afin de pouvoir représenter les objets de données, ou les banques de données, sous-jacents. De surcroît, la qualité des résultats de tous ces algorithmes est dépendante et est directement liée à la qualité des caractéristiques dont on peut disposer. Ainsi, il existe différentes formes de données comme la séquence, la série chronologique, le graphique, le texte ou encore l’image. (fr) 특징 공학(feature enginnering) 또는 피처 엔지니어링은 도메인 지식을 이용해 원자료를 가공하여 특징을 추출하는 작업이다. (ko) Конструирование признаков — это процесс использования предметной области данных для создания признаков, которые нужны для обучения машин. Конструирование признаков является фундаментом для приложений машинного обучения, a также процессом трудным и затратным. Необходимости ручного конструирования признаков можно избежать при автоматизации прикладного обучения признакам. Конструирование признаков является неформальной областью, но считается существенным в машинном обучении. Придумывать признаки трудно, требует много времени и глубоких знаний. «Прикладное машинное обучение», в основном, это конструирование признаков. — Эндрю Ын (ru) Конструюва́ння озна́к (англ. feature engineering) — це процес застосування знань предметної галузі для створення ознак, які забезпечують роботу алгоритмів машинного навчання. Конструювання ознак є фундаментальним для застосування машинного навчання, і є як складним, так і витратним. Потребу в ручному конструюванні ознак можливо усувати автоматизованим навчанням ознак. Конструювання ознак є неформальним предметом, але вважається істотним у прикладному машинному навчанні. Підходити до ознак складно, витратно за часом, вимагає експертних знань. «Прикладне машинне навчання» є в основному конструюванням ознак.Оригінальний текст (англ.)Coming up with features is difficult, time-consuming, requires expert knowledge. "Applied machine learning" is basically feature engineering.— Ендрю Ин, Machine Learning and AI via Brain simulations (uk) 特徵工程（英語：feature engineering）又稱特徵提取（英語：feature extraction）或特徵發現（英語：feature discovery）是使用領域知識從原始數據中提取特徵（特徵、屬性、特性）的過程。與僅向機器學習過程提供原始數據相比，其動機是使用這些額外的功能來提高機器學習過程的結果質量。 (zh)
gold:hypernym	Process
prov:wasDerivedFrom	wikipedia-en:Feature_engineering?oldid=1119595494&ns=0
page length (characters) of wiki page	15710 (xsd:nonNegativeInteger)
foaf:isPrimaryTopicOf	wikipedia-en:Feature_engineering
is Link from a Wikipage to another Wikipage of	N-gram Perceiver Deep learning Deep reinforcement learning Design for Six Sigma Glossary of artificial intelligence Constrained conditional model Convolutional neural network ML.NET Machine learning Feature (machine learning) Feature extraction Feature learning Machine learning in bioinformatics Leakage (machine learning) Learning to rank Alteryx Data transformation (statistics) Speech recognition AutoAI Automated machine learning Neural Network Intelligence

Faceted Search & Find service v1.17_git139 as of Feb 29 2024

Alternative Linked Data Documents: ODE Content Formats:

RDF

ODATA

Microdata

About

OpenLink Virtuoso version 08.03.3330 as of Mar 19 2024, on Linux (x86_64-generic-linux-glibc212), Single-Server Edition (378 GB total memory, 67 GB memory in use)
Data on this page belongs to its respective rights holders.
Virtuoso Faceted Browser Copyright © 2009-2024 OpenLink Software