資料轉換 - 篩選

本文說明如何使用 機器學習 Studio 中的篩選模組， (傳統) 來轉換數位資料。 此適用于 機器學習 Studio (傳統) 工具群組中的模組是以針對數位訊號處理技術開發的篩選為基礎。

篩選通常會套用至資料處理階段或前置處理階段中的資料。 篩選可增強用於機器學習的訊號清楚。 例如，您可以在 機器學習 Studio 中使用篩選模組， (傳統) 來進行這些處理工作：

• 清除用於語音辨識的電壓。
• 在含有雜訊的銷售或經濟資料中偵測趨勢或移除季節性效應。
• 分析遙測訊號中的模式或成品。

這些模組會使用經過妥善研究的演算法，以數學方式轉換電壓資料，提供簡單的篩選設定。 如果您已經決定要套用至資料的正確係數，您也可以建立自訂濾波器。

相關工作

如果您需要依資料列從資料集中排除資料、移除遺漏值或減少資料集大小等工作，請改用下列模組：

• 清除遺漏的資料：移除遺漏的值，或使用預留位置取代遺漏的值。
• 資料分割和範例：使用日期範圍、特定值或正則運算式等準則來分割或篩選資料集。
• 裁剪值：設定值範圍，並只保留該範圍內的值。

數位訊號處理中的篩選

就像您可以將篩選附加至相機以補償光源或建立特殊效果一樣，您可以將篩選套用至您用於機器學習的資料。 篩選可協助改善訊號的清楚性、擷取有趣的特性，或減少雜訊。

理想的篩選準則會消除所有雜訊，並針對所需的訊號具有統一的敏感度。 但是，甚至設計相當良好的篩選，可能需要許多反復專案或技術組合。 如果您成功設計有效的篩選，請考慮儲存篩選準則，以便在轉換新資料時重複使用。

一般而言，篩選是根據波形分析的原理。 設計篩選時，您會尋找隱藏或放大訊號部分的方法、公開基礎趨勢、減少雜訊和干擾，或識別可能未察覺的資料值。

各種技術會套用至分解個別趨勢或產生實際資料值的電壓元件。 您可以使用三角函數來識別和隔離個別的電壓，來分析一系列的值。 (這確實是非對稱數列或音訊訊號的複合頻率。) 篩選器接著可以套用至這些電壓，以消除雜訊、放大某些波或移除目標群組件。

在篩選含有雜訊的數列以隔離不同的分量時，您可以指定要處理的頻帶，以指定要移除或強化的頻率。

機器學習 Studio 中的數位篩選器 (傳統)

機器學習 Studio (傳統) 支援下列類型的篩選：

• 根據變形分解的篩選。 範例包括有限脈衝回應 (FIR) 和無限脈衝回應 (IIR) 篩選準則。 這些篩選器的運作方式是從整體數列移除特定元件。 然後，您可以檢視並調查簡化的電壓。
• 根據移動平均值或中間值的濾波器。 這些濾波器可平均分配時間窗口，以減低資料數列中的變異。 窗口可以固定或滑動，且可以有不同的形狀。 例如，三角形窗口以目前的資料點為最高峰 (加重目前值的權數)，在此資料點的前後逐漸下降 (減少前後值的權數)。
• 使用者定義或自訂的濾波器。 如果您已經知道應該套用至資料數列的轉換，您可以建立使用者定義的篩選。 您可以提供套用以轉換資料數列的數值係數。 自訂篩選可以模擬 FIR 或 IIR 篩選準則。 不過，使用自訂篩選，您可以更充分掌控數列中每個點所要套用的值。

篩選術語

下列清單包含篩選參數和屬性中使用的詞彙簡單定義：

• Passband：可在不衰減或降低的情況下通過篩選的頻率範圍。
• Stopband：指定限制之間的頻率範圍，不會通過訊號。 您可以設定截止頻率來定義阻帶。
• 高傳遞：只允許高頻率通過。
• 低傳遞：只接受低於指定截斷值的頻率。
• 角落：定義停止帶和通帶頻率之間的界限。 通常，您可以決定頻帶是否包含或排除轉角。 第一個順序篩選準則會導致逐漸衰減，直到角落頻率為止。 之後，篩選準則會造成指數衰減。 較高順序的篩選 (，例如，在角落頻率之後，) 的 Chebyshev 篩選) 有較斜率。 高階篩選準則會更快速且完整地衰減停止帶中的值。
• Bandstop 篩選 (也稱為 頻外拒絕 篩選準則或 ) ：只有一個停駐點。 您可以藉由指定兩個頻率來定義停止帶：高截斷頻率和低截止頻率。 bandpass篩選通常有兩個停止帶：一個位於所需元件的任一端。
• 波紋：定期發生的小型垃圾變化。 在機器學習中，您可以在 IIR 篩選設計中指定要容忍的參數數量。

模組清單

下列模組包含在 資料轉換 - 篩選 類別中：

• 套用篩選：將篩選套用至資料集的指定資料行。
• FIR 篩選：建立用於訊號處理的 FIR 篩選器。
• IIR 篩選：建立用於訊號處理的 IIR 篩選準則。
• 中位數篩選：建立中位數篩選準則，用來平滑資料以進行趨勢分析。
• 移動平均篩選：建立移動平均篩選，以平滑處理資料以進行趨勢分析。
• 臨界值篩選：建立限制值的臨界值篩選。
• 使用者定義的篩選：建立自訂 FIR 或 IIR 篩選準則。

另請參閱

• 資料轉換
• A-Z 模組清單