Trasformazione dati - Filtro

Questo articolo descrive come usare i moduli di filtro in Machine Learning Studio (versione classica) per trasformare i dati digitali. I moduli in questo gruppo di strumenti per Machine Learning Studio (versione classica) sono basati sui filtri sviluppati per la tecnologia di elaborazione dei segnali digitali.

I filtri vengono in genere applicati ai dati nella fase di elaborazione dati o alla fase di pre-elaborazione. I filtri migliorano la chiarezza del segnale usato per Machine Learning. Ad esempio, è possibile usare i moduli di filtro in Machine Learning Studio (versione classica) per queste attività di elaborazione:

• Pulire le forme d'onda usate per il riconoscimento vocale.
• Rilevare tendenze o rimuovere effetti stagionali in dati di vendita o economici che includono rumore.
• Analizzare i modelli o gli artefatti nei segnali di telemetria.

Questi moduli offrono una semplice configurazione dei filtri usando algoritmi ben ricercati per trasformare matematicamente i dati della forma d'onda. È anche possibile creare un filtro personalizzato, se sono già stati determinati i coefficienti corretti da applicare ai dati.

Attività correlate

Se è necessario eseguire attività quali l'esclusione dei dati da un set di dati in base a riga, la rimozione di valori mancanti o la riduzione delle dimensioni di un set di dati, usare questi moduli:

• Pulire i dati mancanti: rimuovere valori mancanti o sostituire i valori mancanti con i segnaposto.
• Partizionamento e esempio: dividere o filtrare il set di dati usando criteri quali un intervallo di date, un valore specifico o espressioni regolari.
• Valori clip: impostare un intervallo di valori e mantenere solo i valori all'interno di tale intervallo.

Filtri nell'elaborazione del segnale digitale

Proprio come è possibile collegare un filtro a una fotocamera per compensare l'illuminazione o creare effetti speciali, è possibile applicare un filtro ai dati usati per l'apprendimento automatico. I filtri possono aiutare a migliorare la chiarezza di un segnale, acquisire caratteristiche interessanti o ridurre il rumore.

Il filtro ideale eliminerebbe tutti i rumori e avrà una sensibilità uniforme per il segnale desiderato. Tuttavia, la progettazione di un filtro abbastanza buono potrebbe richiedere molte iterazioni o combinazioni di tecniche. Se si riesce a progettare un filtro efficace, è consigliabile salvare il filtro in modo da poterlo riutilizzare quando si trasformano nuovi dati.

In genere, i filtri sono basati sui principi dell'analisi della forma d'onda. Quando si progetta un filtro, si cercano modi per eliminare o amplificare parti del segnale, per esporre tendenze sottostanti, per ridurre il rumore e l'interferenza o per identificare i valori di dati che altrimenti potrebbero non essere percepiti.

Vengono applicate varie tecniche per decomporsi di singole tendenze o componenti waveform che creano valori di dati effettivi. La serie di valori può essere analizzata usando funzioni trigonometriche per identificare e isolare singole forme d'onda. Questo è vero se si tratta di una serie econometrica o delle frequenze composte di segnali audio. I filtri possono quindi essere applicati a queste forme d'onda per eliminare il rumore, amplificare alcune onde o rimuovere componenti mirati.

Quando si applicano filtri a una serie con rumore per isolare componenti diversi, è possibile specificare le frequenze da rimuovere o rafforzare indicando la banda di frequenze da usare.

Filtri digitali in Machine Learning Studio (versione classica)

I tipi di filtri seguenti sono supportati in Machine Learning Studio (versione classica):

• Filtri basati sulla scomposizione della forma onda. Gli esempi includono filtri di risposta a impulsi finiti (FIR) e una risposta a impulsi infinito (IIR). Questi filtri funzionano rimuovendo componenti specifici da una serie complessiva. È quindi possibile visualizzare e analizzare la forma onda semplificata.
• Filtri basati su medie mobili o su valori medi. Questi filtri riducono le variazioni in una serie di dati, calcolando la media su intervalli di tempo. Gli intervalli possono essere fissi o variabili e possono avere forme diverse. Ad esempio, un intervallo triangolare presenta un picco in corrispondenza del punto di dati attuale (attribuisce un peso maggiore al valore attuale) e si riduce prima e dopo tale punto di dati (attribuisce ai valori precedenti e seguenti un peso minore).
• Filtri definiti dall'utente o personalizzati. Se si conoscono già le trasformazioni che devono essere applicate a una serie di dati, è possibile creare un filtro definito dall'utente. Vengono forniti i coefficienti numerici applicati per trasformare la serie di dati. Un filtro personalizzato può emulare un filtro FIR o IIR. Tuttavia, con un filtro personalizzato, è possibile controllare più sui valori da applicare a ogni punto della serie.

Terminologia del filtro

L'elenco seguente include definizioni semplici di termini usati nei parametri e nelle proprietà dei filtri:

• Passband: intervallo di frequenze che possono passare attraverso un filtro senza essere attenuato o indebolito.
• Banda di interruzioni: intervallo di frequenze tra i limiti specificati attraverso i quali i segnali non vengono passati. Per definire la banda di arresto, è necessario impostare le frequenze di taglio.
• Passaggio elevato: lascia che solo le frequenze elevate attraverso.
• Passaggio basso: accetta solo frequenze sotto un valore di taglio specificato.
• Angolo: definisce il limite tra le frequenze di banda e passband. È in genere possibile decidere se il taglio è incluso o escluso dalla banda. Un filtro di primo ordine causa un'attenuazione graduale fino alla frequenza dell'angolo. In seguito, il filtro causa un'attenuazione esponenziale. I filtri con ordine superiore (ad esempio i filtri Butterworth e Chebyshev) hanno pendenza più ripida dopo la frequenza dell'angolo. I filtri con ordine superiore attenuano i valori nella banda di arresto molto più rapidamente e completamente.
• Filtro bandtop (chiamato anche filtro di rifiuto banda o filtro notch ): ha solo una banda di arresto. Si definisce la banda di interruzione specificando due frequenze: frequenza di taglio elevato e frequenza di taglio basso. Un filtro bandpass include in genere due bande di arresto: uno su entrambi i lati del componente desiderato.
• Ripple: una piccola variazione indesiderata che si verifica periodicamente. In Machine Learning è possibile specificare la quantità di increspature da tollerare come parte dei parametri nella progettazione del filtro IIR.

Elenco dei moduli

I moduli seguenti sono inclusi nella categoria Trasformazione dati - Filtro :

• Applica filtro: applica un filtro alle colonne specificate di un set di dati.
• Filtro FIR: crea un filtro FIR per l'elaborazione dei segnali.
• Filtro IIR: crea un filtro IIR per l'elaborazione dei segnali.
• Filtro mediano: crea un filtro mediano usato per regolare i dati per l'analisi delle tendenze.
• Filtro medio mobile: crea un filtro medio mobile che consente di regolare i dati per l'analisi delle tendenze.
• Filtro soglia: crea un filtro soglia che limita i valori.
• Filtro definito dall'utente: crea un filtro FIR o IIR personalizzato.

Vedere anche

• Trasformazioni dei dati
• Elenco di moduli A-Z