表征学习

✍ dations ◷ 2025-04-02 09:52:43 #表征学习

在机器学习中，特征学习或表征学习是学习一个特征的技术的集合：将原始数据转换成为能够被机器学习来有效开发的一种形式。它避免了手动提取特征的麻烦，允许计算机学习使用特征的同时，也学习如何提取特征：学习如何学习。机器学习任务，例如分类问题，通常都要求输入在数学上或者在计算上都非常便于处理，在这样的前提下，特征学习就应运而生了。然而，在我们现实世界中的数据例如图片，视频，以及传感器的测量值都非常的复杂，冗余并且多变。那么，如何有效的提取出特征并且将其表达出来就显得非常重要。传统的手动提取特征需要大量的人力并且依赖于非常专业的知识。同时，还不便于推广。这就要求特征学习技术的整体设计非常有效，自动化，并且易于推广。特征学习可以被分为两类：监督的和无监督的，类似于机器学习。监督特征学习就是从被标记的数据中学习特征。大致有一下几种方法。总体来说，字典学习是为了从输入数据获得一组的表征元素，使每一个数据点可以（近似的）通过对表征元素加权求和来重构。字典中的元素和权值可以通过最小化表征误差来得到。通过L1正则化可以让权值变得稀疏（例，每一个数据点的表征只有几个非零的权值）。监督字典学习利用输入数据的结构和给定的标签（输出）来优化字典。例如，2009年Mairal等人提出的一种监督字典学习方案被应用在了分类问题上。这个方案的优化目标包括最小化分类误差，表征误差，权值的1范数（L1正则化）和分类器参数的2范数。有监督的字典学习可以被视为一个三层神经网络（一层隐含层），第一层（输入层）到第二层（隐含层）是表征学习，第二层到第三层（输出）是分类器的参数回归。神经网络是通过多层由内部相连的节点组成的网络的一个学习算法。它的命名是受到神经系统的启发，它的每一个节点就像神经系统里的神经元，而每一条边就像一条突触。神经网络里面的每一条边都有对应的权值，而整个网络则定义运算法则将输入数据转换成为输出。神经网络的网络函数通过权值来刻画输入层跟输出层之间的关系。通过适当的调整网络函数，可以尽量最小化损耗的同时解决各种各样的机器学习任务。

相关

统计学统计学是在数据分析的基础上，研究测定、收集、整理、归纳和分析反映数据数据，以便给出正确消息的科学。这一门学科自17世纪中叶产生并逐步发展起来，它广泛地应用在各门学科，从自
德国痳疹风疹（英语：rubella, German measles, three-day measles），又称德国麻疹或三日麻疹，是一种由风疹病毒（英语：Rubella virus）感染所造成的疾病。本病的症状轻微，半数患病者通常不会有自
数学家数学家是指一群对数学有深入了解的的人士，将其知识运用于其工作上（特别是解决数学问题）。数学家专注于数、数据、逻辑、集合、结构 (数学)、空间、变化。专注于解决纯数学（基础
美国食品药品监督管理局美国食品药品监督管理局（英语：U.S. Food and Drug Administration，缩写为FDA）为美国卫生与公众服务部直辖的联邦政府机构，其主要职能为负责对美国国内生产及进口的食品、膳食补充
西门子西门子（英语：Siemens)，又称为西门，符号为S，是物理电路学及国际单位制中，电阻、电纳和导纳，三种导抗的单位。由于西门为欧姆(英语:ohm)的倒数，因此在英语中又被称为mho。西门子在第1
法雷部落法雷人（英语：Fore），是生活在巴布亚新几内亚东高地省奥卡普区的巴布亚人，人口约20000人。1950年代的神经系统疾病库鲁病（哈哈病）在南方法雷人之中发现，在1957年至1960年，约1000人因此
日晷日.mw-parser-output ruby.zy{text-align:justify;text-justify:none}.mw-parser-output ruby.zy>rp{user-select:none}.mw-parser-output ruby.zy>rt{font-feature-setting
丕平王朝加洛林王朝（法语：les Carolingiens，旧称Carlovingiens，中世纪拉丁语：Karolingi，又译卡洛林王朝）是自公元751年后统治法兰克王国的王朝。在此之前，其王朝成员以“宫相”的身份涉理王
蟾蜍二烯羟酸内酯蟾蜍二烯羟酸内酯（英语：Bufadienolide，或称为蟾二烯羟酸内酯）是一种带有腺甾烷结构的化合物，其甾环17号位上的侧链带有2-吡喃酮基团，其衍生物包括有许多蟾蜍甾型的糖苷配基，是强心
初等代数初等代数是一个初等且相对简单形式的代数，教导对象为还没有数学算术方面正规知识的学生们。当在算术中只有数字和其运算（如：加、减、乘、除）出现时，在代数中也会使用符号（如：