数据集中特征的界定

在讨论自编码器如何从数据中学习新表示之前，有必要先弄清数据集中“特征”的含义。可以把特征看作你正在处理的数据的单个、可衡量的属性或特点。它们是描述每条信息的基本构成，机器学习 (machine learning)模型利用这些特征进行预测或找出规律。

表格数据中的特征：列即特点

理解特征最直接的方式或许是查看结构化数据，这类数据常以表格形式组织，比如电子表格。在这样的表格中：

• 每行通常表示一个单独的观测值或项目（例如：一位顾客、一个产品、一个病人、一栋房子）。
• 每列表示这些项目的一个特定特征或属性。

例如，如果你有一个关于顾客的数据集，特征可能包含：

• 年龄 (例如：34岁)
• 年收入 (例如：50,000美元)
• 居住城市 (例如：“纽约”)
• 是否已订阅 (例如：真/假)

这些列中的每一列都提供了关于每位顾客的一条独特信息（一个特征）。机器学习 (machine learning)模型可以利用这些特征，例如预测新顾客是否可能订阅某项服务。

请看以下一个数据集的简单表示：

在这个房屋数据集示例中，“建筑面积”、“卧室数量”和“到市中心的距离”是描述每栋房屋的特征。“价格”可能是我们希望预测的目标。

其他类型数据中的特征

特征不限于表格中整齐的列。

• 图像数据：对于图像来说，最基本的特征是像素值。一张28x28像素的灰度图像（例如MNIST手写数字数据集中的图像）有$28 \times 28 = 784$个特征，其中每个特征是特定像素的强度值。对于彩色图像，每个像素通常有三个值（红、绿、蓝），因此一张100x100的彩色图像将有$100 \times 100 \times 3 = 30,000$个原始特征。
• 文本数据：在文本中，特征可以是单个词、词的频率（“词袋”模型）、词序列（N-gram），或更复杂的表示，比如词嵌入 (embedding)（我们后面会看到它们可以被学习到）。例如，在情感分析任务中，像“高兴”或“失望”这类词的出现或缺失可能是重要的特性。
• 音频数据：对于声音，特征可以从波形中提取，例如梅尔频率倒谱系数（MFCCs），它们表示声音的短期功率谱。

共同点在于，特征是从原始数据中提取的数值或分类输入，机器学习 (machine learning)算法利用它们来执行任务。

理解特征的重要性

特征的选择和质量是任何机器学习 (machine learning)项目成功的前提。

1. 模型的输入：特征是模型“看到”的直接输入。如果特征不包含当前任务的相关信息，即使最复杂的模型也会表现不佳。
2. 维度：特征数量决定了数据的维度。特征过多（特别是那些不相关的）有时会使学习变得更困难（这常被称为“维度灾难”）。这是自编码器可以提供帮助的一个方面，我们将在稍后的维度降低部分讨论。
3. 可解释性：选得好或学得好的特征有时能使模型的决策更易于理解。

简而言之，特征是机器学习模型看待数据的视角。

在本章后续内容中，我们将看到自编码器不仅使用预设特征；它们的优势在于能够从初始的原始输入特征中学习新的、通常更紧凑和更有信息量的特征。自编码器中的瓶颈层（我们之前讨论过）正是这些学习到的特征所在之处。对“特征”基本含义的清晰认识为理解自编码器如何转换它们奠定了基底。