Σε αντίθεση με την εποπτευόμενη μάθηση, δεν βασίζεται σε επισημασμένα δεδομένα, καθιστώντας τη διαδικασία πιο προκλητική. Αυτό το άρθρο διερευνά κοινές τεχνικές και στρατηγικές που χρησιμοποιούνται για την επιλογή χαρακτηριστικών σε μη εποπτικές ρυθμίσεις.

Τεχνικές για την επιλογή μη επιτηρημένων χαρακτηριστικών

Οι τεχνικές αυτές επικεντρώνονται στη μέτρηση των εγγενών ιδιοτήτων των χαρακτηριστικών και των σχέσεων τους στο σύνολο των δεδομένων.

Κατώτατο όριο διακύμανσης

Αυτή η μέθοδος αφαιρεί χαρακτηριστικά με χαμηλή διακύμανση σε όλα τα δείγματα, υποθέτοντας ότι τα χαρακτηριστικά με μικρή διακύμανση είναι λιγότερο ενημερωτικά.

Επιλογή βάσει συστάδων

Τα χαρακτηριστικά αξιολογούνται με βάση τη συμβολή τους στα αποτελέσματα της συμπύκνωσης.

Στρατηγικές για αποτελεσματική επιλογή χαρακτηριστικών

Η επιλογή των χαρακτηριστικών εφαρμογής απαιτεί στρατηγικό σχεδιασμό για να εξασφαλίσει σημαντικά αποτελέσματα.

Μείωση της διαστάσεώς τους

Μέθοδοι όπως η κύρια ανάλυση συστατικών (PCA) μειώνουν τον αριθμό των χαρακτηριστικών, ενώ διατηρούν το μεγαλύτερο μέρος της διακύμανσης δεδομένων, βοηθώντας στην επιλογή χαρακτηριστικών.

Επαναληπτική επιλογή

Η επαναλαμβανόμενη αφαίρεση ή προσθήκη χαρακτηριστικών που βασίζονται στην απόδοση συσπειρωτισμού βοηθά στον εντοπισμό των πιο σχετικών χαρακτηριστικών για το σύνολο δεδομένων.

  • Αξιολόγηση της σημασίας των χαρακτηριστικών
  • Χρήση πολλαπλών τεχνικών
  • Επικύρωση με μετρήσεις συσπειρωτισμού
  • Μείωση της διαστασιμότητας