Ahn9807: 새 문서: 분류: 지도 학습 == 개요 == 머신러닝에서 근간이 되는 정보를 Features 라고 한다. Feature는 연속적일 수도, binary일 수도 아니면 discontinuous할 수도 있다. 한 데이터의 Feature의 개수를 dimension이라고 하며, N-D의 벡터로 나타내게 된다. 피쳐(Feature)는 기계 학습과 패턴 인식의 용어이다. 관찰 대상에게서 발견된 개별적이고 측정가능한 경험적(heuristic) 속성을 말한다. 독...

2023-02-25T10:52:46Z

새 문서: 분류: 지도 학습 == 개요 == 머신러닝에서 근간이 되는 정보를 Features 라고 한다. Feature는 연속적일 수도, binary일 수도 아니면 discontinuous할 수도 있다. 한 데이터의 Feature의 개수를 dimension이라고 하며, N-D의 벡터로 나타내게 된다. 피쳐(Feature)는 기계 학습과 패턴 인식의 용어이다. 관찰 대상에게서 발견된 개별적이고 측정가능한 경험적(heuristic) 속성을 말한다. 독...

새 문서

[[분류: 지도 학습]]

== 개요 ==
머신러닝에서 근간이 되는 정보를 Features 라고 한다. Feature는 연속적일 수도, binary일 수도 아니면 discontinuous할 수도 있다. 한 데이터의 Feature의 개수를 dimension이라고 하며, N-D의 벡터로 나타내게 된다.

피쳐(Feature)는 기계 학습과 패턴 인식의 용어이다. 관찰 대상에게서 발견된 개별적이고 측정가능한 경험적(heuristic) 속성을 말한다. 독립적인 변수를 잘 선택하는 것은 패턴 인식 상에서 분류를 위한 성공 요인이라 할 수 있다. 피쳐들은 일반적으로 수치이나, 그래프와 같은 자료 구조적인 피쳐들 또한 존재한다.

== DIstance between feature vectors ==
Manifold된 공간에서 각각 Feature들의 원소의 중요도는 달라진다. 이러한 차이를 반영하기 위해서 중요도를 다르게 해서 거리값에 더해 주어야 하지만, 대표적인 거리측정 방법은 다음과 같이 주어진다.
=== Euclidean Distance ===
:<math>\|\mathbf{p} - \mathbf{q}\| = \sqrt{(\mathbf{p}-\mathbf{q})\cdot(\mathbf{p}-\mathbf{q})} = \sqrt{\|\mathbf{p}\|^2 + \|\mathbf{q}\|^2 - 2\mathbf{p}\cdot\mathbf{q}}.</math>
=== Manhattan Distance ===
<math>\mathbf{p}=(p_1,p_2,\dots,p_n)\,</math>과 <math>\mathbf{q}=(q_1,q_2,\dots,q_n)\,</math>를 [[공간 벡터]]라 할 때,

<math>d_1(\mathbf{p}, \mathbf{q}) = \|\mathbf{p} - \mathbf{q}\|_1 = \sum_{i=1}^n |p_i-q_i|</math>이다.
=== Metric Leanring ===
주어진 데이터에 적합한 Metric을 스스로 찾는 방식을 말한다.

Features - 편집 역사