ويعد اختيار الأعضاء وخفض البُعد التقنيات الأساسية في مجال التعلم الخاضع للإشراف، وهي تساعد على تحسين الأداء النموذجي، والحد من المبالغة في التكاليف الحاسوبية، وتعطي هذه الأدلة لمحة عامة عن الأساليب المشتركة وأفضل الممارسات لتطبيق هذه التقنيات بفعالية.

تقنيات اختيار الأعضاء

وينطوي اختيار المعالم على اختيار مجموعة فرعية من الملامح ذات الصلة من مجموعة البيانات الأصلية، ويبسط النموذج ويعزز إمكانية التفسير، وتشمل الأساليب المشتركة التصفية واللفائف والتقنيات المدمجة.

أساليب التصوير

وتقيم أساليب التصوير سمات تستند إلى تدابير إحصائية مثل الترابط أو تبادل المعلومات، وهي سريعة ومناسبة للبيانات الرفيعة الأبعاد.

طرق الغضب

واختيار أفضل مزيج من الأداء، وهي أكثر دقة ولكن مكثفة من الناحية الحسابية.

الطرائق المدمجة

وتشمل الأساليب المدمجة اختيار الملامح ضمن التدريب النموذجي، مثل تراجع لاسو، الذي يعاقب على سمات أقل أهمية.

تقنيات الحد من النزعة الديموغرافية

ويحول تخفيض الأخلاق البيانات إلى حيز أدنى من الأبعاد، ويحافظ على المعلومات الأساسية، ومن المفيد أن تكون السمات ذات صلة وثيقة أو عند التعامل مع البيانات العالية الأبعاد.

تحليل العناصر الرئيسية

ويخفض التقييم القطري المشترك الأبعاد بتصوير البيانات على العناصر الرئيسية التي تفسر أكبر الفرق، ويستخدم على نطاق واسع في مجال التبصر والحد من الضوضاء.

T-Distributed Stochastic Neighbor Embedding (t-SNE)

(ط) الشبكة التقنية للتصوير المرئي للبيانات ذات الأبعاد العالية ببعدين أو ثلاثة، وهي تركز على الهيكل المحلي، وهي مفيدة لتحليل التجميع.

أفضل الممارسات

عند تطبيق اختيار المعالم أو الحد من البعد، النظر في أفضل الممارسات التالية:

  • فهم البيانات والمشكلة قبل اختيار التقنيات
  • Use cross-validation to evaluate the impact of feature selection.
  • تكوين طرق متعددة لتحقيق نتائج أفضل.
  • توخي الحذر من الإفراط في التخفيض، مما قد يؤدي إلى فقدان المعلومات.