Özellik Çıkarımı Nedir?

Özellik çıkarımı (feature extraction), ham veriden modelin işine yarayacak özet bilgileri üretme işlemidir. Mevcut değişkenlerin bir kısmını seçmek yerine onları birleştirir ve dönüştürür. Sonuçta ortaya çıkan yeni özellikler, orijinal verinin özünü daha az boyutla taşır.

Özellik çıkarımı nedir?

Bir fotoğraf binlerce pikselden oluşur ve tek tek pikseller tek başına pek bir şey anlatmaz. Özellik çıkarımı bu piksellerden kenarlar, köşeler, dokular ya da şekiller gibi daha anlamlı bilgiler üretir. Ses kayıtlarında da benzer şekilde ham dalga formundan MFCC gibi konuşmayı daha iyi temsil eden değerler çıkarılır. Metinlerde ise kelime sıklıkları ya da gömme vektörleri kullanılır.

Yaygın yöntemler

• Temel bileşenler analizi (PCA): Birbiriyle ilişkili çok sayıda değişkeni, varyansın büyük kısmını koruyan daha az sayıda yeni bileşene dönüştürür.
• Sinyal ve görüntü işleme teknikleri: Kenar tespiti, frekans dönüşümleri, histogramlar.
• Metin temsilleri: TF-IDF, kelime gömmeleri.
• Derin öğrenme: Evrişimli sinir ağlarının ara katmanları, görüntülerden otomatik olarak özellik öğrenir. Önceden eğitilmiş bir modelin bu katmanları başka bir görevde özellik çıkarıcı olarak kullanılabilir.

Nelere dikkat etmeli?

Özellik çıkarımı boyutu azaltarak hesaplama yükünü düşürür ve gürültüyü süzebilir. Ancak yeni özellikler çoğu zaman doğrudan yorumlanamaz: PCA'nın ürettiği bir bileşenin gerçek hayatta neye karşılık geldiğini açıklamak zor olabilir. Ayrıca dönüşüm sırasında bazı bilgiler kaybolur; kaybolan bilgi tahmin için önemliyse model başarısı düşebilir. Dönüşüm parametreleri yalnızca eğitim verisinden öğrenilmeli ve test verisine aynı biçimde uygulanmalıdır.