Was ist "Feature Space"?

Was ist die Definition von "Feature Space"?

Wenn ich zum Beispiel über SVMs lese, lese ich über "Zuordnung zu Feature-Space". Wenn ich über CART lese, lese ich über "Partitionierung, um Raum zu kennzeichnen".

Ich verstehe, was gerade im WARENKORB vor sich geht, aber ich denke, dass es eine Definition gibt, die ich vermisst habe.

Gibt es eine allgemeine Definition von "Feature Space"?

Gibt es eine Definition, die mir mehr Einblick in SVM-Kernel und / oder CART gibt?

Feature Space

Der Merkmalsbereich bezieht sich auf die Dimensionen, in denen Ihre Variablen leben (ohne eine Zielvariable, falls vorhanden). Der Begriff wird in der ML-Literatur häufig verwendet, da eine Aufgabe in ML die Merkmalsextraktion ist. Daher betrachten wir alle Variablen als Merkmale. Betrachten Sie zum Beispiel den Datensatz mit:$n$

Ziel

1. $Y \equiv$ Dicke der Autoreifen nach einiger Testzeit

Variablen

1. $X_1 \equiv$ Im Test zurückgelegte Strecke
2. $X_2 \equiv$ Zeitdauer des Tests
3. $X_3 \equiv$ Menge an chemischem in Reifen$C$

Der Merkmalsraum ist oder genauer gesagt der positive Quadrant in da alle Variablen nur positive Größen sein können. Domänenwissen über Reifen könnte darauf hindeuten, dass die Geschwindigkeit, mit der sich das Fahrzeug bewegte, wichtig ist. Daher generieren wir eine weitere Variable, (dies ist der Teil zur Merkmalsextraktion):R 3 X X $\mathbf{R}^3$$\mathbf{R}^3$$X$$X_4$

• $X_4 =\frac{X_1}{X_2} \equiv$ der Geschwindigkeit des Fahrzeugs beim Testen.

Dies erweitert unseren alten Funktionsraum in einen neuen, den positiven Teil von .$\mathbf{R}^4$

Zuordnungen

Außerdem ist ein Mapping in unserem Beispiel eine Funktion, , von nach :R 3 R$\phi$$\mathbf{R}^3$$\mathbf{R}^4$