Was ist "Feature Space"?

Was ist die Definition von "Feature Space"?

Wenn ich zum Beispiel über SVMs lese, lese ich über "Zuordnung zu Feature-Space". Wenn ich über CART lese, lese ich über "Partitionierung, um Raum zu kennzeichnen".

Ich verstehe, was gerade im WARENKORB vor sich geht, aber ich denke, dass es eine Definition gibt, die ich vermisst habe.

Gibt es eine allgemeine Definition von "Feature Space"?

Gibt es eine Definition, die mir mehr Einblick in SVM-Kernel und / oder CART gibt?

— Leistung
quelle

Der Funktionsbereich bezieht sich nur auf die Sammlungen von Funktionen, die zur Charakterisierung Ihrer Daten verwendet werden. Wenn es sich bei Ihren Daten beispielsweise um Personen handelt, kann Ihr Funktionsbereich (Geschlecht, Größe, Gewicht, Alter) sein. In einer SVM möchten wir möglicherweise eine andere Gruppe von Merkmalen berücksichtigen, um die Daten zu beschreiben, z. B. (Geschlecht, Größe, Gewicht, Alter ^ 2, Größe / Gewicht) usw .; Dies ist die Zuordnung zu einem anderen Funktionsbereich

— JCWong

Würden Sie bitte die Namen / Titel Ihrer Lektüre angeben?

— Fu DL

Feature Space

Der Merkmalsbereich bezieht sich auf die Dimensionen, in denen Ihre Variablen leben (ohne eine Zielvariable, falls vorhanden). Der Begriff wird in der ML-Literatur häufig verwendet, da eine Aufgabe in ML die Merkmalsextraktion ist. Daher betrachten wir alle Variablen als Merkmale. Betrachten Sie zum Beispiel den Datensatz mit: $n$

Ziel

$Y \equiv$ Dicke der Autoreifen nach einiger Testzeit

Variablen

$X_1 \equiv$ Im Test zurückgelegte Strecke
$X_2 \equiv$ Zeitdauer des Tests
$X_3 \equiv$ Menge an chemischem in Reifen $C$

Der Merkmalsraum ist oder genauer gesagt der positive Quadrant in da alle Variablen nur positive Größen sein können. Domänenwissen über Reifen könnte darauf hindeuten, dass die Geschwindigkeit, mit der sich das Fahrzeug bewegte, wichtig ist. Daher generieren wir eine weitere Variable, (dies ist der Teil zur Merkmalsextraktion): $\mathbf{R}^3$ $\mathbf{R}^3$ $X$ $X_4$

$X_4 =\frac{X_1}{X_2} \equiv$ der Geschwindigkeit des Fahrzeugs beim Testen.

Dies erweitert unseren alten Funktionsraum in einen neuen, den positiven Teil von . $\mathbf{R}^4$

Zuordnungen

Außerdem ist ein Mapping in unserem Beispiel eine Funktion, , von nach : $\phi$ $\mathbf{R}^3$ $\mathbf{R}^4$

ϕ (x_{1}, x_{2}, x_{3}) = (x_{1}, x_{2}, x_{3}, \frac{x_{1}}{x_{2}})

$\phi(x_1,x_2,x_3) = (x_1, x_2, x_3, \frac{x_1}{x_2} )$

— Cam.Davidson.Pilon
quelle

Wie unterscheidet sich dies von einem Probenraum in der Wahrscheinlichkeitstheorie? Nur Fragen. Ich würde gerne wissen.

— Placidia

D

$D$

D

$D$

Ich würde sagen, dass, wie das Beispiel von Pilon zeigt, der Merkmalsraum durch Extrahieren einiger neuer Merkmale vergrößert werden kann. Probenraum kann mit hoher Wahrscheinlichkeit nicht. Es ist erschöpfend, Leerzeichen nicht.

— Hasan Iqbal

@ Cam.Davidson.Pilon jemand wurde von Ihrer Antwort inspiriert, wie es scheint: dataorigami.net/blogs/napkin-folding/…

— AIM_BLB

@AIM_BLB das bin ich!

— Cam.Davidson.Pilon