Ultralytics YOLO11 ile makine öğreniminde özellik çıkarmanın gücünü keşfedin. Etkili algılama ve analiz için teknikleri öğrenin.
Özellik çıkarma, makine öğrenimi (ML) ve bilgisayarla görmede temel bir süreçtir ve ham, genellikle karmaşık veriler ile bunlardan öğrenmek için tasarlanmış algoritmalar arasında önemli bir köprü görevi görür. Görüntü veya metin gibi yapılandırılmamış veya yüksek boyutlu verilerin, orijinal verilerin önemli özelliklerini etkili bir şekilde temsil eden yapılandırılmış bir sayısal özellikler kümesine (bir özellik vektörü) dönüştürülmesini içerir. Birincil hedefler, verilerin karmaşıklığını azaltmak(boyut azaltma), ilgili kalıpları vurgulamak, gürültüyü veya gereksiz bilgileri ortadan kaldırmak ve nihayetinde verileri makine öğrenimi modelleri için daha uygun hale getirerek gelişmiş performans, daha hızlı eğitim süreleri ve daha iyi genelleme sağlamaktır.
Özellik çıkarma yöntemleri veri türüne bağlı olarak değişir. Görüntüler için teknikler, OpenCV gibi kütüphanelerde bulunan algoritmaları kullanarak kenarları, köşeleri, dokuları veya renk histogramlarını tanımlamayı içerebilir. Modern derin öğrenmede, özellikle de aşağıdaki gibi modellerde kullanılan Evrişimsel Sinir Ağlarında (CNN'ler) Ultralytics YOLOözellik çıkarma genellikle otomatik olarak öğrenilir. Ağın konvolüsyon katmanları girdiye filtreler uygulayarak basit dokulardan nesne parçalarına kadar hiyerarşik olarak giderek karmaşıklaşan desenleri yakalayan özellik haritaları oluşturur. Doğal Dil İşleme (NLP) alanındaki metin verileri için özellik çıkarma, terim frekanslarınınTF) hesaplanmasını veya kelime anlamlarını ve ilişkilerini temsil eden yoğun vektörler olan kelime katıştırmalarının oluşturulmasını içerebilir. Çeşitli veri türlerine uygulanabilen boyut azaltmaya yönelik diğer genel teknikler arasında Temel Bileşen Analizi (PCA) ve t-dağılımlı Stokastik Komşu Gömme (t-SNE) yer alır.
Birbiriyle ilişkili olsa da özellik çıkarma, özellik mühendisliğinden farklıdır. Özellik çıkarma, genellikle yerleşik algoritmalar veya otomatik öğrenme (CNN'lerde olduğu gibi) kullanarak ham verileri özelliklere dönüştürmeye odaklanır. Özellik mühendisliği, özellik çıkarma işlemini kapsayan daha geniş bir terimdir ancak mevcut özelliklerden yeni özellikler oluşturmayı, en alakalı özellikleri seçmeyi ve özellikleri alan uzmanlığına ve model gereksinimlerine göre dönüştürmeyi de içerir. Derin öğrenme modelleri, görüntü tanıma ve nesne algılama gibi görevler için özellik çıkarma kısmını önemli ölçüde otomatikleştirerek geleneksel makine öğreniminde yaygın olan manuel özellik hazırlama ihtiyacını azaltmıştır.
Özellik çıkarma, sayısız yapay zeka uygulamasının ayrılmaz bir parçasıdır:
Etkili özellik çıkarma, sağlam ve verimli yapay zeka sistemleri oluşturmak için gereklidir. Ultralytics HUB gibi platformlar, algılamadan görüntü segmentasyonuna kadar çeşitli görevler için doğal olarak güçlü özellik çıkarımı gerçekleştiren eğitim modelleri sürecini kolaylaştırır. Veri kalitesini sağlamak için uygun veri ön işleme genellikle özellik çıkarma işleminden önce gelir.