Waarom is dit belangrijk?
Door een situatie vast te leggen in een klein aantal kenmerken kunnen modellen veel losse gegevens vergelijken en een gerichte inschatting maken. In de zorg dienen doorlopende lichaamsmetingen als kenmerken voor toezicht op afstand en voor het tijdig zien van verslechtering. Patiënten en zorgverleners krijgen zo eerder zicht op het verloop, al kunnen ontbrekende of eenzijdige metingen de inschatting scheef trekken.
Zo werkt het in de praktijk
Filters voor ongewenste e-mail gebruiken kenmerken van een bericht. Die kenmerken gaan over koppen, de taal en hoe vaak woorden voorkomen. Bij spraakherkenning beschrijven kenmerken een geluid, zoals de lengte en de verhouding tot ruis.
Onderzoekers zoeken manieren om kenmerken automatisch te bouwen. Dat onderzoek loopt sinds de jaren negentig. Automatisering kan ertoe leiden dat een systeem zelf nuttige kenmerken uit gegevens leert.
CRISP-ML(Q) (een werkwijze voor machinelearning met kwaliteitscontrole) bouwt voort op CRISP-DM, een standaardproces voor datamining. Daarin kunnen teams nieuwe kenmerken afleiden uit bestaande gegevens, met vakkennis. Een feature store (een centrale opslag) bewaart kenmerken en levert ze aan een model voor training of een voorspelling.




