12、通过转换生成特征：增材制造中的关键技术

通过转换生成特征：增材制造中的关键技术

1. 特征生成与特征学习的区别

在增材制造中，特征工程是一项至关重要的任务，它通过改进数据质量来支持数据驱动的解决方案。特征生成与特征学习是两种主要的特征工程技术，它们有着显著的区别。特征生成通过转换不需要学习变换，而是直接通过数学或领域启发的函数（或映射）从原始数据创建新特征。相比之下，特征学习涉及学习新的代表性特征，通常使用深度学习模型，例如自编码器（AEs）和卷积神经网络（CNNs）。特征生成通过转换的方法不仅计算效率高，而且可以更好地解释生成的特征，这对于工业应用非常重要。

2. 不同数据类型的特征生成

2.1 表格数据

表格数据在增材制造中非常常见，尤其是在涉及参数化设计和过程监控时。表格数据的特征生成主要依赖于降维技术，这些技术可以在创建特征的同时减少数据的复杂性。例如，主成分分析（PCA）是一种广泛使用的技术，它通过创建特征（或主成分）来降低维度，这些特征捕获了原始特征空间中的最大方差。PCA的工作原理如下：

1. 标准化数据，使其均值为零，标准差为一。
2. 计算数据的协方差矩阵。
3. 计算协方差矩阵的特征值和特征向量。
4. 选择前k个最大特征值对应的特征向量作为主成分。
5. 将原始数据投影到主成分空间中。

表格数据	特征生成方法
过程参数	主成分分析（P