انتخاب و کاهش ابعاد تکنیک های ضروری در یادگیری نظارت شده است.آنها به بهبود عملکرد مدل، کاهش بیش از حد و کاهش هزینه های محاسباتی کمک می کنند.این راهنما یک مرور کلی از روش های رایج و بهترین شیوه ها را برای استفاده از این تکنیک ها به طور موثر فراهم می کند.

تکنیک های انتخاب

انتخاب ویژگی شامل انتخاب یک زیرمجموعه از ویژگی های مربوطه از مجموعه داده های اصلی است.این مدل را ساده می کند و قابلیت تفسیر را افزایش می دهد. روش های رایج شامل فیلتر، بسته بندی و تکنیک های جاسازی شده است.

روش های فیلتر

روش های فیلتر ارزیابی ویژگی های بر اساس اقدامات آماری مانند همبستگی یا اطلاعات متقابل است.آنها سریع و مناسب برای داده های با ابعاد بالا هستند.

روش های Addper

روش های بسته بندی ویژگی های را با مدل های آموزشی در زیر مجموعه های مختلف انتخاب می کنند و بهترین ترکیب را انتخاب می کنند، دقیق تر اما فشرده هستند.

روش های جاسازی شده

روش های جاسازی شده شامل انتخاب ویژگی در آموزش مدل، مانند Lasso رگرسیون، که ویژگی های کمتر مهم را مجازات می کند.

تکنیک های کاهش ابعاد

کاهش ابعاد داده ها را به یک فضای پایین تر تبدیل می کند، اطلاعات ضروری را حفظ می کند، زمانی که ویژگی ها به شدت مرتبط هستند یا هنگام برخورد با داده های با ابعاد بالا مفید هستند.

تجزیه و تحلیل اصلی (PCA)

PCA ابعاد را با پروژه سازی داده ها بر روی اجزای اصلی که بیشترین تفاوت ها را توضیح می دهند، کاهش می دهد.این به طور گسترده ای برای تجسم و کاهش نویز استفاده می شود.

تقسیم بندی های Stochastictochastic (t-SNE)

t-SNE یک تکنیک برای تجسم داده های با ابعاد بالا در دو یا سه بعد است.این بر ساختار محلی تأکید می کند و برای تجزیه و تحلیل خوشه ای مفید است.

بهترین تمرین ها

هنگام استفاده از انتخاب ویژگی یا کاهش ابعاد، بهترین شیوه های زیر را در نظر بگیرید:

  • اطلاعات و مشکل را قبل از انتخاب تکنیک ها درک کنید.
  • از متقابل-validation برای ارزیابی تاثیر انتخاب ویژگی استفاده کنید.
  • ترکیب چندین روش برای نتایج بهتر
  • مراقب باشید که بیش از حد کاهش یابد، که ممکن است منجر به از دست دادن اطلاعات شود.