특징 추출은 원시 데이터를 의미 있는 특징 또는 속성의 집합으로 변환하는 머신 러닝(ML)의 중요한 프로세스입니다. 그런 다음 이러한 특징을 ML 모델에서 다양한 작업에 효과적으로 사용할 수 있습니다. 이 프로세스에는 데이터 세트에서 파생된 변수를 선택하고 변환하는 작업이 포함되며, 가장 관련성이 높은 정보에 집중하여 모델의 효율성과 정확성을 향상시키는 데 도움이 됩니다. 특징 추출은 데이터의 차원을 크게 줄여 계산을 더 관리하기 쉽게 만들고 모델의 일반화 능력을 향상시킬 수 있습니다.
특징 추출의 주요 목표는 중요한 정보를 잃지 않고 처리에 필요한 리소스의 양을 단순화하는 것입니다. 데이터의 차원을 줄임으로써 모델이 노이즈와 이상값을 포함하여 학습 데이터를 너무 잘 학습할 때 발생하는 과적합을 최소화하는 데 도움이 됩니다. 이렇게 하면 모델의 일반화 기능이 향상되어 보이지 않는 데이터에 대해 더 나은 성능을 발휘할 수 있습니다. 이 과정에서 주성분 분석(PCA) 및 t-분산 확률적 이웃 임베딩(t-SNE)과 같은 차원 감소 기법이 자주 사용됩니다.
특징 추출은 이미지와 같은 원시 데이터가 매우 복잡할 수 있는 컴퓨터 비전과 같은 분야에서 특히 중요합니다. 예를 들어, 컨볼루션 신경망(CNN)은 시각 데이터를 더 잘 이해하기 위해 가장자리 패턴, 텍스처, 모양과 같은 특징 추출에 크게 의존합니다. Ultralytics YOLO최첨단 객체 감지 모델인 머신 러닝은 특징 추출을 수행하여 실시간으로 객체를 효율적으로 감지합니다.
특징 추출은 다양한 영역에서 널리 사용됩니다:
특징 추출과 특징 엔지니어링 모두 모델 성능을 향상시키는 것을 목표로 하지만, 접근 방식은 다릅니다. 피처 엔지니어링은 기존 데이터에서 추가 피처를 생성하는 작업으로, 직관과 도메인 지식이 필요한 경우가 많습니다. 이는 모델의 설명력을 높이기 위해 새로운 피처를 만드는 수동 프로세스입니다.
이와 대조적으로 특징 추출은 중요한 정보를 유지하면서 초기 특징 집합을 줄이려고 합니다. 이는 일반적으로 데이터 세트를 개선하기 위한 자동 또는 데이터 기반 접근 방식입니다. 예를 들어 이미지 처리에서 특징 추출은 가장자리와 텍스처를 자동으로 식별하는 반면, 특징 엔지니어링은 물체의 높이와 너비의 비율을 나타내는 새로운 특징을 수동으로 생성하는 것을 포함할 수 있습니다.
특징 추출은 데이터를 간소화하고 계산 부하를 줄이며 필수 정보에 집중하여 모델 성능을 향상시킵니다. 따라서 많은 AI 및 ML 애플리케이션의 기본 단계로, 모델의 효율성과 정확성을 보장합니다. Ultralytics 허브와 같은 도구를 사용하여 모델을 훈련하고 배포하는 방법에 대해 자세히 알아볼 수 있습니다.
%25202.png)
%202.png)
