Ejemplo de aprendizaje automático de vectores de características
Este artículo necesita citas adicionales para su verificación. Por favor, ayude a mejorar este artículo añadiendo citas de fuentes fiables. El material sin fuente puede ser cuestionado y eliminado.Buscar fuentes: “Feature” machine learning – news – newspapers – books – scholar – JSTOR (December 2014) (Learn how and when to remove this template message)
En el aprendizaje automático y el reconocimiento de patrones, un rasgo es una propiedad o característica individual medible de un fenómeno[1] La elección de rasgos informativos, discriminantes e independientes es un elemento crucial de los algoritmos eficaces en el reconocimiento de patrones, la clasificación y la regresión. Los rasgos suelen ser numéricos, pero en el reconocimiento de patrones sintácticos se utilizan rasgos estructurales como cadenas y gráficos. El concepto de “rasgo” está relacionado con el de variable explicativa utilizado en técnicas estadísticas como la regresión lineal.
Una característica numérica puede describirse convenientemente mediante un vector de características. Una forma de lograr la clasificación binaria es utilizar una función de predicción lineal (relacionada con el perceptrón) con un vector de características como entrada. El método consiste en calcular el producto escalar entre el vector de características y un vector de pesos, calificando aquellas observaciones cuyo resultado supera un umbral.
Vector de características para la clasificación de textos
El cáncer de mama es una de las principales causas de mortalidad en las mujeres de todo el mundo12 , y en 2020 se diagnosticaron 2,26 millones de mujeres con cáncer de mama3 . La quinta tasa de mortalidad más común (685.000) en el mundo es el cáncer de mama. En los últimos 5 años, 7,8 millones de mujeres se curaron del cáncer de mama y sobrevivieron.3,4 El cáncer de mama puede aparecer en mujeres de cualquier edad. Sin embargo, es más frecuente en edades avanzadas. El diagnóstico precoz es muy importante en el cáncer de mama, como en todos los tipos de cáncer. El diagnóstico precoz del cáncer de mama contribuye a reducir la frecuencia de las muertes tempranas.5-7 La ecografía es una técnica de diagnóstico útil para detectar y clasificar las anomalías mamarias.8 La inteligencia artificial (IA) está ganando popularidad debido a su rendimiento superior en las tareas de reconocimiento de imágenes, y se está utilizando cada vez más en la ecografía mamaria (BUS). La IA puede proporcionar una evaluación cuantitativa identificando automáticamente los datos de las imágenes y realizando diagnósticos de imagen más precisos y reproductivos.8-10 Por ello, el uso de la IA en la detección y el diagnóstico del cáncer de mama es crucial.11 Puede ahorrar tiempo a los radiólogos y compensar la falta de experiencia y conocimientos de algunos principiantes.
Vector de características en el reconocimiento de patrones
Las fuentes de datos de prueba proceden de tres conjuntos de datos disponibles públicamente en el repositorio de aprendizaje automático de la UCI. Los tres conjuntos de datos pertenecen a datos de clasificación que tienen diferentes instancias totales y características. Se trata de Bank Marketing, Car Evaluation Database y Human Activity Recognition Using Smartphones Dataset. El enlace de los sitios web es el siguiente.
J Big Data 7, 52 (2020). https://doi.org/10.1186/s40537-020-00327-4Download citationShare this articleAnyone you share the following link with will be able to read this content:Get shareable linkSorry, a shareable link is not currently available for this article.Copy to clipboard
Vector de características en el tratamiento de imágenes
ResumenUna de las herramientas más apasionantes que han entrado en la caja de herramientas de la ciencia de los materiales en los últimos años es el aprendizaje automático. Este conjunto de métodos estadísticos ya ha demostrado ser capaz de acelerar considerablemente tanto la investigación fundamental como la aplicada. En la actualidad, estamos asistiendo a una explosión de trabajos que desarrollan y aplican el aprendizaje automático a los sistemas de estado sólido. Aportamos una visión general y un análisis de las investigaciones más recientes sobre este tema. Como punto de partida, presentamos los principios del aprendizaje automático, los algoritmos, los descriptores y las bases de datos en la ciencia de los materiales. Continuamos con la descripción de diferentes enfoques de aprendizaje automático para el descubrimiento de materiales estables y la predicción de su estructura cristalina. A continuación, discutimos la investigación en numerosas relaciones cuantitativas estructura-propiedad y varios enfoques para la sustitución de los métodos de primer principio por el aprendizaje automático. Repasamos cómo pueden aplicarse el aprendizaje activo y la optimización basada en sustitutos para mejorar el proceso de diseño racional y los ejemplos de aplicaciones relacionados. Dos cuestiones principales son siempre la interpretabilidad y la comprensión física obtenida de los modelos de aprendizaje automático. Por lo tanto, consideramos las diferentes facetas de la interpretabilidad y su importancia en la ciencia de los materiales. Por último, proponemos soluciones y futuras vías de investigación para diversos retos en la ciencia computacional de los materiales.