抽象特征和原始特征的区别

在机器学习和数据处理中，抽象特征（Abstract Features）和原始特征（Original Features）是指数据的不同类型和处理阶段。

**抽象特征**：
1. 它们是通过对原始特征进行计算、转换或组合而创建出来的。这些特征通常是根据领域知识或算法的需求设计的，目的是为了提取更有用的信息，如高阶统计量、特征聚合或通过特定模型得到的特征表示。
2. 抽象特征可能经过降维、编码（如独热编码）、标准化或归一化等预处理步骤。
3. 它们通常具有更高的表达能力，能够更好地捕捉数据间的复杂关系，有助于提升模型性能。

**原始特征**：
1. 原始特征是从原始数据源直接获取的基本属性，比如文本中的单词、图像的像素值、时间序列的数据点等。
2. 这些特征未经任何处理或转换，通常是数值型、类别型或更复杂的结构化数据。
3. 原始特征可能需要清洗（如处理缺失值、异常值）和预处理，才能适应模型的输入要求。

**相关问题--:**
1. 在什么情况下我们通常会选择使用抽象特征而非原始特征？
2. 如何确定哪些原始特征应该被转换为抽象特征？
3.

相关问题

是因为其有多个卷积层，前一层的输出的特征矩阵作为后一层的输入矩阵，与本层的卷积核进行卷积运算，提取更加抽象的特征。经过多层的变换后，卷积神经网络就可以将原始图像转换成高层次的抽象特征。

不完全是这样。ChitGPT是一个基于Transformer架构的模型，它的输入序列经过多个Transformer块的处理，每个块包含多头自注意力机制和前馈神经网络，通过这些机制可以学习输入序列中的语言规律和语义信息。与卷积神经网络不同，Transformer并没有直接处理原始图像，而是处理文本序列，因此在输入、处理、输出等方面都与卷积神经网络有很大的差异。