8、通过转换的特征生成：增材制造中的关键技术

通过转换的特征生成：增材制造中的关键技术

1. 章节概述

在增材制造（AM）领域，数据驱动的方法逐渐成为主流，以解决传统制造方法难以应对的复杂问题。为了使机器学习模型能够更好地理解和处理AM数据，特征工程扮演了至关重要的角色。其中，通过转换生成特征是特征工程的一种重要手段。通过转换，我们可以从原始数据中提取出更具代表性和解释性的新特征，从而显著提升模型的性能。本文将详细探讨如何通过数学或领域启发的函数（或映射）从原始数据生成新的特征，这些转换方法可以显著改进数据的表示形式，以更好地支持机器学习任务。

2. 特征提取、构建和设计

2.1 特征提取

特征提取是指从原始数据中自动识别并提取有用的特征。例如，主成分分析（PCA）是一种常用的技术，它可以从高维数据中提取出主成分，从而降低数据的维度，同时保留尽可能多的信息。PCA的工作原理是在创建特征（或主成分）的同时降低维度，这些特征（或主成分）捕获原始特征空间中的最大方差。PCA的变体，如多线性PCA，也被广泛应用。

2.2 特征构建

特征构建涉及通过特定领域知识或数学公式生成新的特征。这通常需要对特定应用领域有深入了解。例如，在AM中，可以通过将三维打印材料（如数字材料）的体素编码为CNN模型的输入特征，从而预测复合材料的韧性。特征构建可以极大地提高模型的性能，因为它能够捕捉到原始数据中难以直接观察到的复杂模式。

2.3 特征设计

特征设计则是根据具体任务需求设计特征，以提高模型性能。例如，在结构设计中，通过学习几何特征的物理主导潜在空间来优化复合微观结构的拓扑结构，输入直接映射到感兴趣的响应。特征设计不仅需要领域知识，