Machine learning 机器学习中维度、属性和特征的区别

这是二维的：[[2,2]]，但它也有两个特性/属性，不是吗。我对维度、属性和特征之间的区别感到困惑。

它们是相同的东西。属性、维度和特征。根据作者的背景或领域，它们可以互换使用

---

例如，如果你在谈论数学方面，你可以说这是一个高维问题

我不同意@Atilla的回答

• 维度通常指属性的数量，虽然它也可以以“数据向量的第二维度是人的年龄”的形式使用，但它相当罕见-在大多数情况下，维度是“属性的数量”
• 属性是点中一种特定的“数据类型”，因此每个观察/数据点（如个人记录）包含许多不同的属性（如人的体重、身高、年龄等）
• 功能根据上下文可能有多种含义：
  • 它有时指属性
  • 它有时指由特定学习模型生成的数据的内部表示，例如，神经网络提取属性或其他特征的组合
  • 它有时指由核方法（在核PCA、核k-均值、SVM中）产生的数据的假设表示

通常，您有一些对象X，您使用一些属性（这是特征提取的第一步，因此这些属性有时也被称为特征）来描述这些对象X，它们创建给定维度的表示（属性数、提取的特征）。然后你训练一些模型，它通常会创建某种抽象（有时甚至是多层次的），每一种抽象都会生成新的特征（从特征中提取特征），这些特征比较低“层次”上的更复杂

---

f通常是反复出现的，因此

f2（repr（X））

实际上是一些

f2'（f1（repr（X））

这个问题似乎离题了，因为它属于stats.stackexchange.com。其中的一个例外是内核方法，其中特征空间表示方法隐式工作的非线性转换空间。不幸的是，即使在这里，术语也被拼凑在一起，这对初学者来说相当混乱。更正式一点ly：第14页和第15页。因此，特征工程是所有ML方法的第一步？（有监督和无监督）该答案没有提到特征工程注意，在神经网络的上下文中，术语“中间特征”有时用于与为训练提供的“特征”（属性）进行对比

 X  --->   repr(X)   --->   f1(repr(X)) --->   ....  --->   fn(repr(X))
data      attributes         1st level                      nth level
        (0th features)       features                       features

      |repr(X)|=dimension