Tôi đang theo dõi một số tutorial về thông tin cơ bản về học máy và có đề cập rằng một cái gì đó có thể là một tính năng hoặc nhãn .Sự khác biệt giữa tính năng và nhãn là gì?
Từ những gì tôi biết, đối tượng địa lý là thuộc tính của dữ liệu đang được sử dụng. Tôi không thể tìm ra nhãn là gì, tôi biết ý nghĩa của từ đó, nhưng tôi muốn biết ý nghĩa của nó trong bối cảnh học máy.
Tóm tắt, tính năng được nhập; nhãn là đầu ra.
Tính năng là một cột của dữ liệu trong bộ nhập liệu của bạn. Ví dụ: nếu bạn đang cố gắng dự đoán loại vật nuôi mà một người nào đó sẽ chọn, các tính năng nhập của bạn có thể bao gồm độ tuổi, khu vực gia đình, thu nhập gia đình, v.v. Nhãn là lựa chọn cuối cùng, chẳng hạn như chó, cá, iguana, đá, v.v.
Khi bạn đã đào tạo mô hình của mình, bạn sẽ cung cấp cho bộ đầu vào mới chứa các tính năng đó; nó sẽ trả về "nhãn" được dự đoán (loại vật nuôi) cho người đó.
Hãy lấy ví dụ mà chúng tôi muốn phát hiện bảng chữ cái bằng các bức ảnh viết tay. Chúng tôi cung cấp các hình ảnh mẫu này trong chương trình và chương trình phân loại các hình ảnh này dựa trên các tính năng mà chúng có.
Ví dụ về đối tượng địa lý trong ngữ cảnh này là: chữ cái 'C' có thể được coi là mặt lõm phải đối diện.
Bây giờ, câu hỏi đặt ra là cách lưu trữ các tính năng này. Chúng ta cần đặt tên cho chúng. Đây là vai trò của nhãn đi vào sự tồn tại. A nhãn được cung cấp cho các tính năng như vậy để phân biệt chúng với các tính năng khác.
Do đó, chúng tôi có được các nhãn làm đầu ra khi được cung cấp với các tính năng làm đầu vào.
Nhãn là không được liên kết với việc học tập không giám sát.
Một tính năng được giải thích ngắn gọn sẽ là đầu vào bạn đã nạp vào hệ thống và nhãn sẽ là đầu ra bạn đang mong đợi. Ví dụ, bạn đã cho ăn nhiều tính năng của một con chó như chiều cao của mình, màu lông, vv, vì vậy sau khi tính toán, nó sẽ trả về giống chó bạn muốn biết.
Tính năng:
Trong tính năng Machine Learning nghĩa là một tài sản của dữ liệu huấn luyện của bạn. Hoặc bạn có thể nói tên cột trong tập dữ liệu đào tạo của mình.
Giả sử đây là bạn tập dữ liệu huấn luyện
Height Sex Age
61.5 M 20
55.5 F 30
64.5 M 41
55.5 F 51
. . .
. . .
. . .
. . .
Rồi đây Name, Sex và Age là những tính năng.
nhãn:
Kết quả bạn nhận được từ mô hình của bạn sau khi huấn luyện nó, được gọi là nhãn.
Giả sử bạn ăn trên bộ dữ liệu với một số thuật toán và tạo ra một mô hình để dự đoán giới tính như Nam hoặc Nữ, Trong mô hình trên bạn vượt qua các tính năng như age, height, vv
Vì vậy, sau khi tính toán nó sẽ trở lại giới tính như Nam hay nữ. Thats được gọi là Nhãn
Vì vậy, [tuổi, khu vực gia đình, thu nhập gia đình] sẽ là "3 vectơ đặc trưng". Và trong Keras, mảng NumPy của bạn cho mạng LSTM của bạn sẽ là [mẫu, bước thời gian, 3]? – naisanza
@naisanza: đó chắc chắn là một khả năng. Tôi không quen thuộc với Keras, nhưng tổ chức cấp cao này chắc chắn có thể là sự khởi đầu của việc triển khai hợp lệ. – Prune