featurevektorer

Featurevektorer er en måte å representere objekter eller hendelser på som en ordnet streng av tall. En featurevektor består av n komponenter og beskriver egenskaper som er relevante for en spesifikk oppgave. Dimensjonen n bestemmes av antall valgte egenskaper, og hver komponent kan være et reelt tall eller heltall. Målet er et kompakt, numerisk uttrykk som kan brukes som inn-data i maskinlæringsmodeller eller statistiske analyser.

Featurevektorer kan være basert på rå data eller resultat av feature engineering. Eksempler inkluderer bilder som konverteres til små sett av pixelverdier, lydsignaler som får representasjon som MFCC-er, eller tekst som representeres med tf-idf- eller ordvektorkoding. Vektorene kan være dense, der alle komponenter har en verdi, eller sparse, der mange komponenter er null.

Normalisering eller standardisering er vanlig for å gjøre komponentene sammenlignbare og for å forbedre ytelse i mange algoritmer. Vektorene brukes som input til klassifikasjon, regresjon, klynging og rekke andre oppgaver. Avstander og likhet mellom vektorer beregnes ofte ved metoder som euklidsk avstand eller kosinuslikhet, og effektive søk og rangering støttes av indeksering og lignende teknikker.

Dimensjonalitetshensyn er en sentral utfordring. Høy dimensjonalitet kan gjøre læring treig eller mindre pålitelig, og derfor brukes ofte dimensjonsreduksjon som PCA, t-SNE eller UMAP, eller autoenkodere. Vektornehold kan lagres som arrays eller tensors i vanlige biblioteker som NumPy, SciPy og ulike maskinlæringsrammeverk.