머신러닝 기초 개념-05. feature engineering

 

Source : https://developers.google.com/machine-learning/crash-course/representation/feature-engineering

RECAP

• 데이터 마트까지 구성된 데이터를 input vector라고 부릅니다. (정형화 되어 있는 수치들)
• 이 input vector를 머신러닝 모델에 사용할 feature vector로 바꾸는 작업이 feature engineering입니다.
• feature vector란 input vector에서 머신러닝 모델이 보아야할 특징(feature)를 정의한 수치값들입니다.
• feature engineering에 따라 머신러닝 모델의 성능이 굉장히 크게 변할 수 있습니다.
• feature engineering을 할 때 체크해야 하는 사항들을 중점적으로 확인해야 합니다.
• feature vector가 표현되는 공간을 feature space라고 합니다.

 

 

Source : https://freecontent.manning.com/the-computer-vision-pipeline-part-4-feature-extraction/

 

• feature engineering을 통해서 input data는 P(performance measure)를 높일 수 있는 좋은 수치 정보로 변환이 됩니다
• 이러한 수치정보(feature vector)를 만드는 방법을 feature extraction alforithm 이라고 합니다
• 대표적인 feature extraction alforithm에는 PCA(pricipal cimponent Analysis), AutoEncoder 등이 있습니다.
• 이미지, 텍스트 같은 특정 도메인에 있는 데이터는 해당 도메인의 특성에 맞게 feature extraction 방법들이 발전되어 왔습니다.
• 최근에는 Deep Learning을 사용하여 새롭게 feature를 생성하는 임베딩(Embedding) 방식을 사용합니다