انتخاب ویژگی یک گام مهم در یادگیری نظارت است که شامل شناسایی مناسب ترین متغیرهای برای آموزش مدل است.انتخاب ویژگی مناسب می تواند دقت مدل را بهبود بخشد، بیش از حد کاهش و کاهش هزینه های محاسباتی.این مقاله تکنیک های رایج مورد استفاده برای انتخاب ویژگی ها و چگونگی بهبود مدل های یادگیری نظارت شده را بررسی می کند.

تکنیک های انتخاب مشترک

روش های مختلفی برای انتخاب ویژگی های یادگیری تحت نظارت استفاده می شود، این تکنیک ها می توانند به طور گسترده به فیلتر، بسته بندی و روش های جاسازی شده طبقه بندی شوند.هر رویکرد دارای مزایای آن است و برای انواع مختلف مجموعه داده ها و مشکلات مناسب است.

روش های فیلتر

روش های فیلتر ارتباط ویژگی های مبتنی بر اقدامات آماری را ارزیابی می کنند، آنها سریع و مقیاس پذیر هستند و آنها را برای داده های با کیفیت بالا مناسب می کنند.

  • همکاری با بهره وری: [FLT 1] رابطه خطی بین ویژگی ها و متغیر هدف را اندازه گیری می کند.
  • آزمون کودکان-Square؛ [FLT 1] استقلال بین ویژگی های کاتورتیک و هدف را بیان می کند.
  • اطلاعات دقیق: [FLT 1] مقدار اطلاعات مشترک بین ویژگی ها و هدف را اندازه گیری می کند.

روش های Addper

روش های اسکر، زیرمجموعه های ویژگی ها را با مدل های آموزشی ارزیابی می کنند و ترکیب را انتخاب می کنند که بهترین عملکرد را به دست می آورد.این روش ها دقیق تر اما فشرده تر هستند:

  • [در این میان] [در این میان]، [[[[۱]]] [[۱۰]]] [[۱۰]]] [۱۰]] [۱۰]] [۱۰]] [۱] [۱۰] [۱۰] [۱۰]] [۱۰] [۱۰] [۱] [۱۰] [۱] [۱]] با هیچ ویژگی و در زمان بر اساس بهبود عملکرد، یکی را اضافه می کند.
  • [در این باره]: [[[۱]] [۱۰] [۱۰] [۱]] با تمام ویژگی ها شروع می شود و کمترین ویژگی های آن را حذف می کند.
  • [[۱] [۱۰] [۱] [۱۰] [۱] [۱]] [۱]] [۱] [۱] [۱]] [۱] [۱]] [۱] [۱] [۱] [۱۰]] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱]]] [۱] [۳] [۲] [۲]] [۱]]]]] [۱]]]] [۳] [۳] [۳] [۱] [۳] [به طور واکنشی] [به طور واکنشی] [به طور واکنشی]] [به طور واکنشی]]] مدل های [۹] مدل های [۳] [به طور واکنشی] مدل های [۳] [۱] [۱] [۱] [۹] [۹] [۳] [۲] [۹] [۹] [۳] مدل های [۲] [۲] [۲] [۹]

روش های جاسازی شده

روش های جاسازی شده شامل انتخاب ویژگی به عنوان بخشی از فرآیند آموزش مدل است.آنها کارآمد هستند و اغلب نتایج خوبی را تولید می کنند.

  • بازگشت به عقب: استفاده از L1 منظم سازی برای کاهش برخی از ضریب به صفر، به طور موثر انتخاب ویژگی.
  • درختان تصمیم گیری؛ به طور طبیعی ویژگی های بر اساس کسب اطلاعات در طول تقسیم را انتخاب کنید.
  • مدل های اصلاح شده: [FLT 1] مجازات با مدل مناسب برای انتخاب ویژگی های مربوطه را ترکیب کنید.