انتخاب ویژگی یک گام مهم در ساخت مدل های یادگیری ماشین موثر است.این شامل شناسایی مناسب ترین متغیرهای برای بهبود دقت مدل و کاهش پیچیدگی است. روش های Quantitative ارائه رویکردهای سیستماتیک برای ارزیابی و انتخاب ویژگی های بر اساس معیارهای عددی است.

روش های Quantitative

چندین تکنیک کمی برای انتخاب ویژگی به طور گسترده ای مورد استفاده قرار می گیرند، این روش ها اهمیت ویژگی های استفاده از اقدامات آماری یا معیارهای الگوریتمی را ارزیابی می کنند. انتخاب روش مناسب بستگی به داده ها و مشکل خاص دارد.

روش های فیلتر

روش های فیلتر ویژگی های مبتنی بر رابطه آماری خود را با متغیر هدف ارزیابی می کنند.آنها به طور محاسباتی کارآمد و مناسب برای داده های با کیفیت بالا هستند.

  • همکاری با بهره وری: [FLT 1] اندازه گیری روابط خطی بین ویژگی ها و هدف.
  • آزمون کودکان-Square؛ [FLT 1] استقلال بین متغیرهای کاتورالیک را بیان می کند.
  • اطلاعات دقیق: [FLT 1] مقدار اطلاعات مشترک بین متغیرها 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، آنها فشرده تر هستند اما اغلب نتایج دقیق تری را تولید می کنند.

  • [در این باره] [در این باره]، [[[[۱]]] [[۱۰]]] [[۱۰]]] [[۱۰]]] [۱۰]] [۱]] [۱۰] [۱]] [۱۰] [۱۰] [۱] [۱۰] [۱]] [۱۰] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۶] [۶] [۱] [۱] [۱] [بر [بر [۶] هیچ [بر هیچ [بر هیچ [بر روی [۳۲] هیچ کس [بر [بر [بر [بر [بر [بر روی [بر روی [۳۲] هیچ یک از [بر [بر روی [بر [بر [بر [بر [بر [بر روی [بر روی [بر روی [بر روی [براى [براى] [براى [براى [براى [براى [براى] هیچ یک از [براى [براى] [براى] [براى [براى [براى [براى [براى [براى [براى] هیچ یک از [براى [براى] [براى [براى
  • [در این باره]: [[[۱]] [۱۰] [۱۰] [۱]] با تمام ویژگی ها شروع می شود و کمترین اهمیت را از بین می برد.
  • [در این میان] [از این رو] به بعد [از این که] [از روی [و] [از این رو] [از روی [و] [از روی] [و] [از این رو]،] از ویژگی های [بر اساس وزن مدل ها] حذف می شود.

روش های جاسازی شده

روش های جاسازی شده شامل انتخاب ویژگی در فرآیند آموزش مدل است. آنها با استفاده از تکنیک های منظم سازی یا الگوریتم های مبتنی بر درخت، کارایی و اثربخشی را متعادل می کنند.

  • بازگشت به عقب: استفاده از L1 منظم سازی برای کاهش ضریب های مهم کمتر به صفر.
  • الگوریتم های درخت تصمیم گیری: [FLT 1] به طور طبیعی ویژگی های بر اساس کسب اطلاعات و یا کمبود Gini را انتخاب کنید.
  • جنگل های راندوم: Aggregate دارای امتیازات مهم در سراسر درختان متعدد است.