Was ist Feature Extraction?
Feature Extraction kommt in der Bildverarbeitung und Mustererkennung zum Einsatz. Der Start erfolgt mithilfe eines vorhandenen Datensatzes, woraus Merkmale und Werte abgeleitet werden. Diese dürfen nicht mehrfach vorhanden, müssen jedoch informativ sein. Zudem gibt es sogenannte Generalisierungs- und Lernschritte, woraus dann
konkretere Ableitungen und Interpretationen erfolgen. In der Regel hängt die Feature Extraction mit der Dimensionsreduktion zusammen.
Dimensionsreduktion
Bei diesem Vorgang wird versucht, ein Datensatz im hochdimensionalen Bereich in einen dimensionierten Raum zu bringen, welcher niedriger angesiedelt ist. Dabei dürfen wichtige und relevante Informationen nicht verloren gehen. Es kann sein, dass Eingabedaten für einen anderen Algorithmus zu umfangreich und groß sind. Diese können somit nicht mehr verarbeitet werden. Das Bestimmen und Erkennen einer sogenannten Teilmenge der vorhandenen Anfangsmerkmale wird oft auch als sogenannte Merkmalsauswahl deklariert.
Ziel ist es, das die ausgesuchten Merkmale, die für einen relevanten Infos aus den erstellten Eingabedaten zu gewinnen. So kann die anvisierte Aufgabe mit einer verkleinerten und komprimierten Darstellung erledigt werden, ohne die kompletten Ausgangsdaten dafür zu benötigen.
Optimierung
Es gibt eine Menge Experten, welche auf optimierte Feature Extraction schwören. Für diese stellt eine korrekte optimierte Merkmalsextraktion der richtige Schlüssel in Bezug zu einer wirksamen Modellkonstruktion dar. Die erhaltenen Ergebnisse können sogar noch verbessert werden. Dabei helfen erstellte Sätze mit anwendungsabhängigen Funktionen. In Fachkreisen wird das auch als „Feature Engineering“ deklariert. Zudem kommen Techniken zur Absenkung der vorhandenen Dimensionalität alternativ zur Anwendung. Folgende gibt es:
- Semantische / latente Analysen
- Kleinste Quadrate (nur teilweise)
- Analyse der Hauptkomponenten
- Verringerung der vorhandenen Multifaktor-Dimensionalität
- Dimensionsreduktion (Nicht linear)
- Lernen im vorhandenen Subraum (Multilinear)
- Analyse der Hauptkomponenten
- Autoencoder
- Semidefinite Embedding – Einbettung
- Isomap
- Komponentenanalysen, welche unabhängig sind
- Kernel PCA
Bildverarbeitung mit Feature Extraction
Ein elementar wichtiger Bereich der Anwendung stellt die Bildverarbeitung dar. Dort werden unterschiedliche Algorithmen verwendet, um unterschiedliche anvisierte Merkmale, welche herausgestellt werden sollen, zu erfassen und auch abzugrenzen. Gerade bei Video- und Bilderstreams im Digitalbereich kommt dies zur Anwendung.
Implementierungen
Es gibt viele Software- und Datenanalysepakete, welche eine adäquate Extraktion der Merkmale sowie die Reduzierung von Dimensionen realisieren. Spezielle Softwarelösungen und Entwicklungsumgebungen im Programmierbereich bieten hier simple Techniken der Extraktion von Merkmalen und Komponenten. Beliebt sind Scikit-learn, SciLab, Matlab oder auch NumPy. Auch die Programmiersprache R reiht sich dort mit ein. Letztgenannte macht eine Analyse der Hauptkomponenten möglich. Dies geschieht mithilfe von integrierten Ausführungsbefehlen.
Es gibt auch Algorithmen, welche spezifischer und umfangreicher sind, im Gegensatz zu Add-ons oder für die Öffentlichkeit erhältlichen Skripte. In der Regel werden diese zudem durch verschiedene Drittanbieter zur Verfügung gestellt. Viele der zur Verfügung gestellten Softwarepakete, welche sich auf eine Extraktion von bestimmten Merkmalen sowie Funktionen spezialisiert sowie eingestellt haben. Viele im Alltag verwendeten Technologien, Geräte und auch Maschinen verwenden Softwarelösungen, wo solche Vorgänge im Hintergrund ablaufen.
