Worldlex Wiki En matière de reconnaissance de caractères , les caractéristiques peuvent inclure des histogrammes comptant le nombre de pixels noirs dans les directions horizontale et verticale, le nombre de trous internes, la détection des traits et bien d'autres.
En reconnaissance vocale , les caractéristiques permettant de reconnaître les phonèmes peuvent inclure les rapports de bruit, la longueur des sons, la puissance relative, les correspondances de filtre, les vecteurs spectraux logarithmiques à l'échelle Mel et les coefficients cepstraux de fréquence Mel, qui représentent les caractéristiques de fréquence des signaux audio.
Dans les algorithmes de détection de spam , les caractéristiques peuvent inclure la présence ou l'absence de certains en-têtes d'e-mail, la structure de l'e-mail, la langue, la fréquence de termes spécifiques et la correction grammaticale du texte.
En vision par ordinateur , il existe un grand nombre de caractéristiques possibles , telles que les contours et les objets.
Vecteurs de caractéristiques
En reconnaissance de formes et en apprentissage automatique , un vecteur de caractéristiques est un vecteur n-dimensionnel de caractéristiques numériques représentant un objet. De nombreux algorithmes d'apprentissage automatique requièrent une représentation numérique des objets, car ces représentations facilitent le traitement et l'analyse statistique. Dans le cas d'images, les valeurs des caractéristiques peuvent correspondre aux pixels de l'image, tandis que dans le cas de textes, les caractéristiques peuvent être les fréquences d'apparition des termes textuels. Les vecteurs de caractéristiques sont équivalents aux vecteurs de variables explicatives utilisés dans les procédures statistiques telles que la régression linéaire . Les vecteurs de caractéristiques sont souvent pondérés par un produit scalaire afin de construire une fonction de prédiction linéaire qui sert à déterminer un score pour la prédiction.
L' espace vectoriel associé à ces vecteurs est souvent appelé espace des caractéristiques . Afin de réduire la dimensionnalité de cet espace, plusieurs techniques de réduction de dimensionnalité peuvent être utilisées.
Des caractéristiques de niveau supérieur peuvent être obtenues à partir de caractéristiques déjà disponibles et ajoutées au vecteur de caractéristiques ; par exemple, pour l’étude des maladies, la caractéristique « Âge » est utile et est définie comme suit : Âge = « Année de décès » moins « Année de naissance » . Ce processus est appelé construction de caractéristiques . La construction de caractéristiques consiste à appliquer un ensemble d’opérateurs constructifs à un ensemble de caractéristiques existantes, ce qui permet de construire de nouvelles caractéristiques. Parmi ces opérateurs constructifs, on peut citer la vérification des conditions d’égalité {=, ≠}, les opérateurs arithmétiques {+, −, ×, /}, les opérateurs matriciels {max(S), min(S), average(S)}, ainsi que d’autres opérateurs plus sophistiqués, comme count(S, C) qui compte le nombre de caractéristiques du vecteur S satisfaisant une condition C, ou encore les distances à d’autres classes de reconnaissance généralisées par un dispositif d’acceptation. La construction de caractéristiques est depuis longtemps considérée comme un outil puissant pour améliorer la précision et la compréhension de la structure, en particulier pour les problèmes de grande dimension. Les applications comprennent des études sur les maladies et la reconnaissance des émotions à partir de la parole.
Sélection et extraction
L’ensemble initial de caractéristiques brutes peut être redondant et suffisamment volumineux pour rendre l’estimation et l’optimisation difficiles, voire inefficaces. Par conséquent, une étape préliminaire dans de nombreuses applications d’ apprentissage automatique et de reconnaissance de formes consiste à sélectionner un sous-ensemble de caractéristiques, ou à construire un nouvel ensemble réduit de caractéristiques afin de faciliter l’apprentissage et d’améliorer la généralisation et l’interprétabilité.
L'extraction ou la sélection de caractéristiques relève à la fois de l'art et de la science ; le développement de systèmes permettant d'effectuer cette opération est appelé ingénierie des caractéristiques . Ce processus exige l'expérimentation de multiples possibilités et la combinaison de techniques automatisées avec l'intuition et les connaissances de l' expert du domaine . L'automatisation de ce processus est appelée apprentissage des caractéristiques : une machine utilise alors les caractéristiques pour apprendre, mais les apprend elle-même.