Waarom is dit belangrijk?
Lange reeksen meetwaarden van hart, spieren of hersenen zijn voor een model lastig te gebruiken, tenzij ze eerst tot een kortere reeks worden teruggebracht. In de zorg ondersteunt die stap diagnose en het voortdurend volgen van patiënten via lichaamssignalen, zoals een hartfilmpje of hersenmeting. Voor zorgverleners vraagt de uitslag extra controle, omdat een duidelijke uitleg en een sterke voorspelling niet altijd samengaan.
Zo werkt het in de praktijk
MFCC-kenmerken zetten een kort spraakfragment om in een reeks getallen voor spraakherkenning. Zulke systemen herkennen bijvoorbeeld cijfers die iemand in een telefoon inspreekt. Het European Telecommunications Standards Institute legde begin deze eeuw een vaste MFCC-rekenwijze vast voor mobiele telefoons.
Onderzoek naar automatische kenmerkextractie loopt sinds de jaren negentig. Een lijn daarin breidt beslisbomen uit naar gegevens uit meerdere gekoppelde databanken. De bibliotheek tsfresh haalt kenmerken uit tijdreeksen en toetst welke kenmerken bruikbaar zijn.
In CRISP-ML(Q), een procesmodel voor machinelearningprojecten, hoort het afleiden van kenmerken bij de datavoorbereiding. Nieuwe kenmerken komen uit bestaande gegevens, op basis van vakkennis. Het model bouwt voort op CRISP-DM, een werkwijze voor datamining, en voegt kwaliteitscontroles toe.




