在机器学习 中，特征学习 （feature learning）或表征学习 （representation learning）[1] 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，现实世界中的数据，例如圖片、影片，以及感測器的測量值都非常的複雜、冗長又多變，如何有效的提取出特征并且将其表达出來成為了一個重要挑戰。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。
在监督特征学习中，被标记过的数据被当做特征用来学习。例如神经网络，多层感知器，(监督)字典学习。 在无监督特征学习中，未被标记过的数据被当做特征用来学习。例如(无监督)字典学习，独立成分分析 ，自动编码，矩阵分解 [2] 聚类分析 及其变形[3] [4] [5]
监督特征学习 监督特征学习就是从被标记的数据中学习特征。大致有以下几种方法。
监督字典学习 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 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。
无监督特征学习 κ-平均算法 主要成分分析 独立成分分析 局部线性嵌入算法 无监督字典学习
另見
参考文献 ^ Y. Bengio; A. Courville; P. Vincent. Representation Learning: A Review and New Perspectives. IEEE Trans. PAMI, special issue Learning Deep Architectures. 2013, 35 : 1798–1828. doi:10.1109/tpami.2013.50 . ^ Nathan Srebro; Jason D. M. Rennie; Tommi S. Jaakkola. Maximum-Margin Matrix Factorization. NIPS. 2004. ^ 引用错误：没有为名为coates2011的参考文献提供内容 ^ Csurka, Gabriella; Dance, Christopher C.; Fan, Lixin; Willamowski, Jutta; Bray, Cédric. Visual categorization with bags of keypoints (PDF) . ECCV Workshop on Statistical Learning in Computer Vision. 2004 [2016-04-17 ] . （原始内容 (PDF) 于2021-03-08）. ^ Daniel Jurafsky; James H. Martin. Speech and Language Processing. Pearson Education International. 2009: 145–146.
表征学习, 此條目可参照英語維基百科相應條目来扩充, 若您熟悉来源语言和主题, 请协助参考外语维基百科扩充条目, 请勿直接提交机械翻译, 也不要翻译不可靠, 低品质内容, 依版权协议, 译文需在编辑摘要注明来源, 或于讨论页顶部标记, href, template, translated, page, html, title, template, translated, page, translated, page, 标签, 在机器学习中, 特征学习, feature, learning, representati. 此條目可参照英語維基百科相應條目来扩充 若您熟悉来源语言和主题 请协助参考外语维基百科扩充条目 请勿直接提交机械翻译 也不要翻译不可靠 低品质内容 依版权协议 译文需在编辑摘要注明来源 或于讨论页顶部标记 a href Template Translated page html title Template Translated page Translated page a 标签 在机器学习中 特征学习 feature learning 或表征学习 representation learning 1 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 现实世界中的数据 例如圖片 影片 以及感測器的測量值都非常的複雜 冗長又多變 如何有效的提取出特征并且将其表达出來成為了一個重要挑戰 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 在监督特征学习中 被标记过的数据被当做特征用来学习 例如神经网络 多层感知器 监督 字典学习 在无监督特征学习中 未被标记过的数据被当做特征用来学习 例如 无监督 字典学习 独立成分分析 自动编码 矩阵分解 2 各种聚类分析及其变形 3 4 5 目录 1 监督特征学习 1 1 监督字典学习 1 2 神经网络 2 无监督特征学习 2 1 k 平均算法 2 2 主要成分分析 2 3 独立成分分析 2 4 局部线性嵌入算法 2 5 无监督字典学习 3 另見 4 参考文献监督特征学习 编辑监督特征学习就是从被标记的数据中学习特征 大致有以下几种方法 监督字典学习 编辑 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 编辑 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 无监督特征学习 编辑k 平均算法 编辑 主要成分分析 编辑 独立成分分析 编辑 局部线性嵌入算法 编辑 无监督字典学习 编辑另見 编辑特徵檢測 向量量化 深度學習参考文献 编辑 Y Bengio A Courville P Vincent Representation Learning A Review and New Perspectives IEEE Trans PAMI special issue Learning Deep Architectures 2013 35 1798 1828 doi 10 1109 tpami 2013 50 Nathan Srebro Jason D M Rennie Tommi S Jaakkola Maximum Margin Matrix Factorization NIPS 2004 引用错误 没有为名为coates2011的参考文献提供内容 Csurka Gabriella Dance Christopher C Fan Lixin Willamowski Jutta Bray Cedric Visual categorization with bags of keypoints PDF ECCV Workshop on Statistical Learning in Computer Vision 2004 2016 04 17 原始内容存档 PDF 于2021 03 08 Daniel Jurafsky James H Martin Speech and Language Processing Pearson Education International 2009 145 146 取自 https zh wikipedia org w index php title 表征学习 amp oldid 75978749, 维基百科，wiki ，书籍，书籍，图书馆，
文章 ，阅读，下载，免费，免费下载，mp3，视频，mp4，3gp， jpg，jpeg，gif，png，图片，音乐，歌曲，电影，书籍，游戏，游戏。