Extracción de características

Cómo funciona la extracción de rasgos

Las técnicas específicas de extracción de rasgos dependen en gran medida del tipo de datos que se procesen.

• Datos de imagen: En la visión por ordenador tradicional, los métodos consistían en diseñar manualmente algoritmos para detectar características específicas como bordes, esquinas, texturas (utilizando técnicas como los filtros de Gabor) o histogramas de color. Bibliotecas como OpenCV proporcionan herramientas para implementar muchas de estas técnicas clásicas(sitio oficial de OpenCV). Sin embargo, en el aprendizaje profundo (deep learning, DL) moderno, en particular con las redes neuronales convolucionales (Convolutional Neural Networks, CNN) utilizadas en modelos como Ultralytics YOLOla extracción de características suele aprenderse automáticamente. Las capas de convolución de la red aplican filtros a la imagen de entrada, generando mapas de características que capturan jerárquicamente patrones cada vez más complejos, desde líneas simples y texturas en las primeras capas hasta partes de objetos y objetos enteros en capas más profundas. Puedes explorar diversas tareas de visión por ordenador en las que se aplica esta técnica.

• Datos de texto: Para las tareas de Procesamiento del Lenguaje Natural (PLN ), la extracción de características puede implicar métodos como calcular la Frecuencia de Términos-Frecuencia Inversa de DocumentosTF) para representar la importancia de las palabras o generar incrustaciones de palabras utilizando modelos como Word2Vec o GloVe. Estas incrustaciones son vectores densos que capturan las relaciones semánticas entre las palabras. Los modelos más avanzados, como BERT y Transformers, aprenden representaciones contextuales directamente del texto.

• Técnicas generales: Métodos como el Análisis de Componentes Principales (ACP ) y la Incrustación Estocástica de Vecinos t-distribuida (t-SNE) son técnicas de reducción de la dimensionalidad de uso general aplicables a diversos tipos de datos. Transforman los datos de alta dimensión en un espacio de menor dimensión con el objetivo de preservar las estructuras importantes de varianza o vecindad, lo que puede considerarse una forma de extracción de características. Scikit-learn proporciona implementaciones para estas técnicas.

Extracción de rasgos vs. Ingeniería de rasgos

A menudo se confunde la extracción de rasgos con la ingeniería de rasgos, pero son conceptos distintos.

• Extracción de características: Se centra específicamente en transformar los datos brutos en un conjunto de características derivadas, a menudo utilizando algoritmos automatizados (como las capas CNN) o técnicas matemáticas establecidas (como el PCA o las transformadas de Fourier). El objetivo suele ser reducir la dimensionalidad y crear una representación más manejable.
• Ingeniería de características: Es una práctica más amplia que incluye la extracción de características, pero también implica crear nuevas características a partir de las existentes (por ejemplo, calcular la relación de dos mediciones), seleccionar las características más relevantes para un modelo, tratar los valores que faltan y transformar las características basándose en el conocimiento del dominio y los requisitos específicos del modelo(como el preprocesamiento de datos). A menudo requiere más esfuerzo manual y experiencia.

Aunque los modelos de aprendizaje profundo automatizan gran parte del proceso de extracción de características para tareas como el reconocimiento de imágenes y la detección de objetos, los principios de ingeniería de características, como el aumento adecuado de los datos o la normalización de la entrada, siguen siendo cruciales para lograr un rendimiento óptimo.

Aplicaciones en el mundo real

La extracción de características es fundamental para innumerables aplicaciones de IA y ML:

1. Análisis de imágenes médicas: Al analizar exploraciones médicas como radiografías, TAC o resonancias magnéticas para detectar enfermedades como el cáncer, se extraen características específicas de las imágenes. Pueden incluir patrones de textura dentro de los tejidos, la forma y el tamaño de posibles anomalías (como los tumores encontrados en el conjunto de datos de Tumores Cerebrales), o variaciones de intensidad. Estas características extraídas se introducen en un clasificador (como una SVM o una red neuronal) para predecir la presencia o el estadio de una enfermedad. Esto ayuda a los radiólogos en el diagnóstico, como se expone en publicaciones como Radiology: Inteligencia Artificial. Los sistemas modernos pueden utilizar Ultralytics YOLO11 que extrae implícitamente características para tareas como el análisis de imágenes médicas.

2. Análisis del Sentimiento: Para determinar el sentimiento (positivo, negativo, neutro) expresado en los datos de texto, como las opiniones de los clientes o las publicaciones en las redes sociales, hay que extraer características del texto sin procesar. Esto puede implicar el recuento de la frecuencia de palabras positivas frente a las negativas(bolsa de palabras), el uso de puntuaciones TF, o la generación de sofisticadas incrustaciones de frases utilizando modelos lingüísticos preentrenados, como los disponibles a través de Hugging Face. Estas características cuantifican el tono emocional del texto, lo que permite a un modelo ML clasificar el sentimiento general, que es crucial para comprender las opiniones de los clientes.

Extracción de características en los modelosYOLO Ultralytics

Modelos de detección de objetos de última generación como Ultralytics YOLOv8 y YOLO11 realizan la extracción de características implícitamente dentro de su arquitectura de red neuronal (NN). Las capas iniciales (a menudo parte de la columna vertebral) actúan como potentes extractores de rasgos aprendidos. A medida que los datos de entrada pasan por estas capas, las características jerárquicas se identifican automáticamente y se representan en los mapas de características. Aunque el proceso está automatizado en gran medida, comprender la extracción de características ayuda a diseñar pasos eficaces de preprocesamiento de datos, realizar el ajuste de hiperparámetros e interpretar el comportamiento del modelo, utilizando potencialmente herramientas disponibles en la documentaciónUltralytics Ultralytics o plataformas como Ultralytics HUB para gestionar conjuntos de datos y experimentos. Las técnicas también se utilizan en tareas posteriores, como el seguimiento de objetos, en las que pueden extraerse características de apariencia para mantener las identidades de los objetos a través de los fotogramas. Frameworks como PyTorch y TensorFlow proporcionan la infraestructura subyacente para construir y entrenar estos modelos.