In machine learning, pattern recognition, and image processing, feature extraction starts from an initial set of measured data and builds derived values (features) intended to be informative and non-redundant, facilitating the subsequent learning and generalization steps, and in some cases leading to better human interpretations. Feature extraction is related to dimensionality reduction.
| Attributes | Values |
|---|
| rdfs:label
| - استخلاص المميزات (ar)
- Extracció de característiques (ca)
- Εξαγωγή χαρακτηριστικών (el)
- Feature extraction (en)
- Extraction de caractéristique (fr)
- Estrazione di caratteristiche (it)
- Extração de características (pt)
- Выделение признаков (ru)
- Виділяння ознак (uk)
- 特徵提取 (zh)
|
| rdfs:comment
| - في حقل تمييز الأنماط في معالجة الصور يطلق اسم استخلاص المميزات (Feature extraction) على العملية التي تؤدي إلى تخفيض الأبعاد. عندما يكون دخل خوارزمية ما كبيراً جداً بحيث تصعب معالجته بسهولة، ويتوقع منها أن تشكل فائض في البيانات قد يؤدي إلى ارتفاع كلفة الحساب والمعالجة واستخدام ذاكرة الحاسب دون عائد متناسب مع تلك التكلفة، عندها يتم تحويل البيانات إلى شكل أبسط يمثل البيانات الأصلية تكون عبارة عن مميزات للبيانات الأصلية. يطلق على العملية التي يتم فيها تحويل البيانات إلى مميزاتها اسم عملية استخلاص المميزات. (ar)
- En reconeixement de patrons i en processament d'imatge, l'extracció de característiques és un mètode que pretén extreure la informació útil (característiques) i eliminar la informació redundant perquè després es pugui realitzar un procés de classificació. (ca)
- En reconnaissance des formes, les caractéristiques (ou features en anglais) sont les propriétés mesurables d'un phénomène physique observé. L'extraction de caractéristiques discriminantes est une étape fondamentale du processus de reconnaissance, préalable à la classification. Les caractéristiques sont généralement numériques mais il peut s'agir de chaînes de caractères, de graphes ou d'autres quantités encore. (fr)
- Em aprendizagem de máquina, reconhecimento de padrões e em processamento de imagens, a extração de características é uma forma especial de . Quando dados de entrada para um algoritmo são muito grandes para serem processados e são notadamente redundantes (muitos dados porém pouca informação) esses deverão ser transformados em um conjunto reduzido de características melhor representativo (também chamado vetor). Transformar os dados de entrada em um conjunto de características é chamado de Extração de características. Se as características extraídas forem cuidadosamente escolhidas se espera que esse conjunto represente a parte relevante da informação para se executar a tarefa desejada ao invés de se usar os dados de entrada na integra. (pt)
- 特征提取（英語：Feature extraction）在機器學習、模式识别和圖像處理中有很多的應用。特徵提取是從一個初始測量的資料集合中開始做，然後建構出富含資訊性而且不冗餘的導出值，稱為特徵值（feature）。它可以幫助接續的學習過程和歸納的步驟，在某些情況下可以讓人更容易對資料做出較好的詮釋。特徵提取是一個降低維度的步驟，初始的資料集合被降到更容易管理的族群（特徵）以便於學習，同時保持描述原始資料集的精準性與完整性。 當一個演算法的輸入資料太過於龐大冗餘以至於不便處理（如：一樣的測量方法但是分別使用英尺和公尺表示，或是影像中像素的重複性），這些資料可以被轉換成化簡後的特徵集合，也稱作特徵向量（feature vector），決定這些原始資料子集的步驟稱為特徵提取 。成功的情形下，被選擇的特徵包含跟輸入資料相關的資訊，因此這些被化簡後的特徵能夠被用來做理想的任務，而不使用原始完整的初始資料來做這個任務。 (zh)
- In machine learning, pattern recognition, and image processing, feature extraction starts from an initial set of measured data and builds derived values (features) intended to be informative and non-redundant, facilitating the subsequent learning and generalization steps, and in some cases leading to better human interpretations. Feature extraction is related to dimensionality reduction. (en)
- Nel riconoscimento di pattern e nell'elaborazione delle immagini l'estrazione di caratteristiche (in inglese: feature extraction) è una forma speciale di riduzione della dimensionalità. Quando i dati in ingresso sono troppi per l'esecuzione di un algoritmo e c'è il sospetto di ridondanza allora i dati verranno convertiti in una rappresentazione ridotta di un insieme di caratteristiche (il o feature vector).Il processo di trasformazione dei dati in ingresso in un insieme di caratteristiche è chiamato estrazione di caratteristiche. (it)
- В машинному навчанні, розпізнаванні образів та в обробці зображень виділя́ння озна́к (англ. feature extraction) починається з первинного набору даних вимірювань, і будує похідні значення (ознаки), покликані бути інформативними та ненадлишковими, полегшувати наступні кроки навчання та узагальнення, і в деяких випадках вести до кращих тлумачень людьми. Виділяння ознак пов'язане зі зниженням розмірності. (uk)
- Выделение признаков — это разновидность абстрагирования, процесс снижения размерности, в котором исходный набор исходных переменных сокращается до более управляемых групп (признаков) для дальнейшей обработки, оставаясь при этом достаточным набором для точного и полного описания исходного набора данных.Выделение признаков используется в машинном обучении, распознавании образов и при обработке изображений. Выделение признаков начинает с исходного набора данных, выводит вторичные значения (признаки), для которых предполагается, что они должны быть информативными и не быть избыточными, что способствует последующему процессу обучения машины и обобщению шагов, а в некоторых случаях ведёт и к лучшей человеческой интерпретацией данных. (ru)
|
| dcterms:subject
| |
| Wikipage page ID
| |
| Wikipage revision ID
| |
| Link from a Wikipage to another Wikipage
| |
| sameAs
| |
| dbp:wikiPageUsesTemplate
| |
| has abstract
| - في حقل تمييز الأنماط في معالجة الصور يطلق اسم استخلاص المميزات (Feature extraction) على العملية التي تؤدي إلى تخفيض الأبعاد. عندما يكون دخل خوارزمية ما كبيراً جداً بحيث تصعب معالجته بسهولة، ويتوقع منها أن تشكل فائض في البيانات قد يؤدي إلى ارتفاع كلفة الحساب والمعالجة واستخدام ذاكرة الحاسب دون عائد متناسب مع تلك التكلفة، عندها يتم تحويل البيانات إلى شكل أبسط يمثل البيانات الأصلية تكون عبارة عن مميزات للبيانات الأصلية. يطلق على العملية التي يتم فيها تحويل البيانات إلى مميزاتها اسم عملية استخلاص المميزات. (ar)
- En reconeixement de patrons i en processament d'imatge, l'extracció de característiques és un mètode que pretén extreure la informació útil (característiques) i eliminar la informació redundant perquè després es pugui realitzar un procés de classificació. (ca)
- In machine learning, pattern recognition, and image processing, feature extraction starts from an initial set of measured data and builds derived values (features) intended to be informative and non-redundant, facilitating the subsequent learning and generalization steps, and in some cases leading to better human interpretations. Feature extraction is related to dimensionality reduction. When the input data to an algorithm is too large to be processed and it is suspected to be redundant (e.g. the same measurement in both feet and meters, or the repetitiveness of images presented as pixels), then it can be transformed into a reduced set of features (also named a feature vector). Determining a subset of the initial features is called feature selection. The selected features are expected to contain the relevant information from the input data, so that the desired task can be performed by using this reduced representation instead of the complete initial data. (en)
- En reconnaissance des formes, les caractéristiques (ou features en anglais) sont les propriétés mesurables d'un phénomène physique observé. L'extraction de caractéristiques discriminantes est une étape fondamentale du processus de reconnaissance, préalable à la classification. Les caractéristiques sont généralement numériques mais il peut s'agir de chaînes de caractères, de graphes ou d'autres quantités encore. (fr)
- Nel riconoscimento di pattern e nell'elaborazione delle immagini l'estrazione di caratteristiche (in inglese: feature extraction) è una forma speciale di riduzione della dimensionalità. Quando i dati in ingresso sono troppi per l'esecuzione di un algoritmo e c'è il sospetto di ridondanza allora i dati verranno convertiti in una rappresentazione ridotta di un insieme di caratteristiche (il o feature vector).Il processo di trasformazione dei dati in ingresso in un insieme di caratteristiche è chiamato estrazione di caratteristiche. L'estrazione di caratteristiche significa semplificare il costo delle risorse richieste per descrivere un grande insieme di dati accuratamente.Quando si eseguono analisi di dati complessi, uno dei più grandi problemi sta nell'arginare il numero di variabili coinvolto.L'analisi di un gran numero di variabili generalmente richiede un grande uso di memoria ed elaborazione o algoritmi di classificazione che hanno bisogno di un'alta soglia di adattamento con i campioni di prova e generalizzano in modo povero nuovi campioni.L'estrazione di caratteristiche è un termine generale per metodi di costruzione di combinazione di variabili per aggirare questi problemi ma descrivendoli con una accuratezza sufficiente. (it)
- Выделение признаков — это разновидность абстрагирования, процесс снижения размерности, в котором исходный набор исходных переменных сокращается до более управляемых групп (признаков) для дальнейшей обработки, оставаясь при этом достаточным набором для точного и полного описания исходного набора данных.Выделение признаков используется в машинном обучении, распознавании образов и при обработке изображений. Выделение признаков начинает с исходного набора данных, выводит вторичные значения (признаки), для которых предполагается, что они должны быть информативными и не быть избыточными, что способствует последующему процессу обучения машины и обобщению шагов, а в некоторых случаях ведёт и к лучшей человеческой интерпретацией данных. Когда входные данные алгоритма слишком большие для обработки и есть подозрение, что данные избыточные (например, измерения проведены как в футах, так и в метрах, или повторяемость изображений представлена пикселами), то они могут быть преобразованы в сокращённый набор признаков (называемый вектором признаков). Определение подмножества начальных признаков называется отбором признаков. Отобранные признаки проверяются на содержание необходимой информации во входных данных, так что желаемая задача может быть выполнена с помощью этого сокращённого набора вместо исходных полных данных. (ru)
- Em aprendizagem de máquina, reconhecimento de padrões e em processamento de imagens, a extração de características é uma forma especial de . Quando dados de entrada para um algoritmo são muito grandes para serem processados e são notadamente redundantes (muitos dados porém pouca informação) esses deverão ser transformados em um conjunto reduzido de características melhor representativo (também chamado vetor). Transformar os dados de entrada em um conjunto de características é chamado de Extração de características. Se as características extraídas forem cuidadosamente escolhidas se espera que esse conjunto represente a parte relevante da informação para se executar a tarefa desejada ao invés de se usar os dados de entrada na integra. (pt)
- 特征提取（英語：Feature extraction）在機器學習、模式识别和圖像處理中有很多的應用。特徵提取是從一個初始測量的資料集合中開始做，然後建構出富含資訊性而且不冗餘的導出值，稱為特徵值（feature）。它可以幫助接續的學習過程和歸納的步驟，在某些情況下可以讓人更容易對資料做出較好的詮釋。特徵提取是一個降低維度的步驟，初始的資料集合被降到更容易管理的族群（特徵）以便於學習，同時保持描述原始資料集的精準性與完整性。 當一個演算法的輸入資料太過於龐大冗餘以至於不便處理（如：一樣的測量方法但是分別使用英尺和公尺表示，或是影像中像素的重複性），這些資料可以被轉換成化簡後的特徵集合，也稱作特徵向量（feature vector），決定這些原始資料子集的步驟稱為特徵提取 。成功的情形下，被選擇的特徵包含跟輸入資料相關的資訊，因此這些被化簡後的特徵能夠被用來做理想的任務，而不使用原始完整的初始資料來做這個任務。 (zh)
- В машинному навчанні, розпізнаванні образів та в обробці зображень виділя́ння озна́к (англ. feature extraction) починається з первинного набору даних вимірювань, і будує похідні значення (ознаки), покликані бути інформативними та ненадлишковими, полегшувати наступні кроки навчання та узагальнення, і в деяких випадках вести до кращих тлумачень людьми. Виділяння ознак пов'язане зі зниженням розмірності. Коли вхідні дані алгоритму є занадто великими, щоби їх можливо було обробити, і підозрюються на надлишковість (наприклад, одні й ті самі вимірювання як у метрах, так і в футах, або повторюваності в зображеннях, представлених пікселями), тоді їх може бути перетворено на скорочений набір ознак (що також називають вектором ознак). Визначення підмножини початкових ознак називають обиранням ознак. Очікується, що обрані ознаки містять доречну інформацію з вхідних даних, так що бажане завдання може бути виконано із застосуванням цього скороченого представлення замість повних первинних даних. (uk)
|
| prov:wasDerivedFrom
| |
| page length (characters) of wiki page
| |
| foaf:isPrimaryTopicOf
| |
| is Link from a Wikipage to another Wikipage
of | |
![[RDF Data]](/fct/images/sw-rdf-blue.png)
![[cxml]](/fct/images/cxml_doc.png)
![[csv]](/fct/images/csv_doc.png)
![[text]](/fct/images/ntriples_doc.png)
![[turtle]](/fct/images/n3turtle_doc.png)
![[ld+json]](/fct/images/jsonld_doc.png)
![[rdf+json]](/fct/images/json_doc.png)
![[rdf+xml]](/fct/images/xml_doc.png)
![[atom+xml]](/fct/images/atom_doc.png)
![[html]](/fct/images/html_doc.png)