特徵擷取 是什麼？

Feature Extraction — 特徵擷取 的完整解釋

特徵擷取是從原始資料中自動識別並提取有意義的特徵表示的過程，目的是降低資料維度同時保留關鍵資訊，提升模型學習效率

容易混淆

特徵擷取 vs 特徵工程 特徵工程偏向人手設計，重點是領域知識。 特徵擷取偏向自動化表示學習，重點是把原始資料壓成有效向量。

特徵擷取 vs 降維 降維是把維度變少。 特徵擷取不只想變少，還要保留對任務有用的資訊。

記住這句就好

把原始資料變成好用表示，就是特徵擷取。

實際案例

圖片分類 圖片先經過卷積網路，抽出邊緣、紋理、形狀等表示，再交給分類器判斷內容。

文字分析 一段評論先轉成詞向量或句向量，模型不用逐字讀完整篇原文，也能抓到語意重點。

算法與應用

常見做法包括卷積網路的中間層輸出、詞向量、句向量與自編碼器表徵。 它常用在影像、語音、文本和感測資料，目標都是把高維原始資料轉成可學習的特徵表示。

特徵擷取 在 iPAS 考試中的重點

根據歷年統計，特徵擷取 相關題目 屬於中頻考範圍。

常見問題

特徵擷取一定要靠深度學習嗎？

不一定，傳統方法也可以做，但深度學習常能學到更強的表示。

特徵擷取會不會把資訊丟太多？

會，所以要看任務需要，抽得太狠可能讓關鍵差異消失。

特徵擷取和分類器哪個比較重要？

兩者都重要，表示做得好，分類器才有材料可用。

這個詞和嵌入是一樣的嗎？

不是完全一樣，嵌入常是特徵表示的一種形式，但特徵擷取涵蓋更廣。