特征向量
介绍
特征向量的使用
特征向量在机器学习中得到了广泛的应用,因为它可以用数值方法来表示对象,帮助进行多种分析。它们很适合分析,因为有很多比较特征向量的技术。比较两个对象的特征向量的一个简单方法是取欧氏距离.
在图像处理,特征可以是梯度大小、颜色、灰度强度、边缘、区域等等。在图像处理中,特征向量特别受欢迎,因为一旦放入特征向量,图像的属性(如所列示例)可以方便地进行数值比较。
在语音识别,功能可以是声音长度、噪音等级、噪音比等。
在反垃圾邮件活动,特征丰富。它们可以是IP地址、文本结构、特定单词的频率或特定的电子邮件标题。
特征向量用于分类问题,人工神经网络,再邻居机器学习中的算法。
特征向量类型
这里的特征向量是更大向量空间中的句子:
在模式识别过程中,特征向量是在收集数据和理解数据之间使用的工具:
参考文献
- ,年代。文件:RGB color solid cube.png.2016年7月20日,从https://commons.wikimedia.org/wiki/File:RGB_color_solid_cube.png
- Gutierrez-Osuna, R。模式分析概论.2016年4月30日,从http://research.cs.tamu.edu/prism/lectures/iss/iss_l9.pdf
- 腓骨,C。机器学习:文本特征提取.从检索http://blog.christianperone.com/2011/09/machine-learning-text-feature-extraction-tf-idf-part-i/
引用:特征向量。Brilliant.org.检索从//www.parkandroid.com/wiki/feature-vector/