Skip to main content
Disciplines
Automotive Business IT + Informatics Construction + Real Estate Electrical Engineering + Electronics Energy + Sustainability Insurance + Risk Finance + Banking Management + Leadership Marketing + Sales Mechanical Engineering + Materials
Events
DE
EN
Books
Journals
Topic Page
Marketing
Start single access now
Access for companies
EXTENDED SEARCH
Log in
Top
Published in:
Einführung Read chapter Read first chapter

2024 | OriginalPaper | Chapter

9. Merkmalslernen

Author : Alexander Jung

Published in: Maschinelles Lernen

Publisher: Springer Nature Singapore

Log in

Activate our intelligent search to find suitable subject content or patents.

search-config
loading …

Zusammenfassung

Kap. 2 diskutierte Merkmale als jene Eigenschaften eines Datenpunkts, die leicht gemessen oder berechnet werden können. Manchmal ergibt sich die Wahl der Merkmale natürlich aus der verfügbaren Hardware und Software. Zum Beispiel könnten wir die numerische Messung \(z\in \mathbb {R}\) die von einem Sensor geliefert wird, als Merkmal verwenden. Allerdings könnten wir dieses einzelne Merkmal mit neuen Merkmalen wie den Potenzen \(z^{2}\) und \(z^{3}\) oder das Hinzufügen einer Konstanten \(z+5\) erweitern. Jede dieser Berechnungen erzeugt ein neues Merkmal. Welche dieser zusätzlichen Merkmale sind am nützlichsten?

Dont have a licence yet? Then find out more about our products and how to get one now:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

inform now

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

inform now

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

inform now
previous chapter Clustering
next chapter Transparentes und erklärbares ML
Footnotes
1
Einige Autoren definieren die Datenmatrix als \(\mathbf{Z}\!=\!\big ( \widetilde{\mathbf{z}}^{(1)}, \ldots , \widetilde{\mathbf{z}}^{(m)} \big )^{T}\!\in \!\mathbb {R}^{m\times D}\) mit „zentrierten“ Rohmerkmalsvektoren \(\widetilde{\mathbf{z}}^{(i)} - \widehat{\mathbf{m}}\), die durch Subtraktion des Durchschnitts \(\widehat{\mathbf{m}} = (1/m) \sum _{i=1}^{m} \mathbf{z}^{(i)}\) erhalten werden.
 
Literature
1.
I. Goodfellow, Y. Bengio, A. Courville, Deep Learning (MIT Press, Cambridge, 2016)
2.
G. Strang, Computational Science and Engineering (Wellesley-Cambridge Press, MA, 2007)
3.
T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning. Springer Series in Statistics (Springer, New York, 2001)
4.
J. Wright, Y. Peng, Y. Ma, A. Ganesh, S. Rao, Robust principal component analysis: exact recovery of corrupted low-rank matrices by convex optimization, in Neural Information Processing Systems, NIPS 2009 (2009)
5.
S. Roweis, EM Algorithms for PCA and SPCA. Advances in Neural Information Processing Systems (MIT Press, Cambridge, 1998), S. 626–632
6.
7.
M.E.J. Newman, Networks: An Introduction (Oxford University Press, Oxford, 2010)
8.
9.
S. Wachter, Data protection in the age of big data. Nat. Electron. 2(1), 6–7 (2019)CrossRef
10.
A. Makhdoumi, S. Salamatian, N. Fawaz, M. Médard, From the information bottleneck to the privacy funnel, in 2014 IEEE Information Theory Workshop (ITW 2014), S. 501–505 (2014)
11.
Y.Y. Shkel, R.S. Blum, H.V. Poor, Secrecy by design with applications to privacy and compression. IEEE Trans. Inf. Theory 67(2), 824–843 (2021)MathSciNetCrossRef
12.
Q. Du, J. Fowler, Low-complexity principal component analysis for hyperspectral image compression. Int. J. High Perform. Comput. Appl., 438–448 (2008)
13.
A. Sharma, K. Paliwal, Fast principal component analysis using fixed-point analysis. Pattern Recogn. Lett. 28, 1151–1155 (2007)CrossRef
14.
S. Foucart, H. Rauhut, A Mathematical Introduction to Compressive Sensing (Springer, New York, 2012)
15.
B. Schölkopf, A. Smola, Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond (MIT Press, Cambridge, 2002)
Metadata
Title
Merkmalslernen
Author
Alexander Jung
Copyright Year
2024
Publisher
Springer Nature Singapore
Book
Maschinelles Lernen

Print ISBN: 978-981-9979-71-4

Electronic ISBN: 978-981-9979-72-1

Copyright Year: 2024

DOI
https://doi.org/10.1007/978-981-99-7972-1_9

Premium Partner

    Image Credits