Supervised Learning의 특징 선택 및 엔지니어링을위한 실용적인 방법

특징 선택과 기술설계는 감독된 학습에 있는 근본적인 단계입니다. 그들은 모형 성과를 개량하고, overfitting 감소시키고, 훈련 시간을 감소시킵니다. 이 문서는 실제적인 방법을 선정하고 엔지니어 특징을 효과적으로 토론합니다.

특징 선택 기술

기능 선택은 dataset에서 가장 관련한 기능을 선택해야 합니다. 일반적인 기술은 필터 방법, 래퍼 방법 및 임베디드 방법을 포함합니다.

필터 방법 평가 기능에 따라 통계 측정과 같은 상관 관계, chi-square, 또는 상호 정보. 그들은 높은 차원 데이터를 위해 적절하게 효율적이고 적합하다.

다른 잠수함에 훈련 모형에 의해 감싸는 방법 특징을 선정하고 그들의 성과를 평가하십시오. 기술은 재귀한 특징 제거 및 앞으로/뒤 선택 포함합니다.

임베디드 방법 모델 교육 중 기능 선택 통합. 예로는 Lasso와 같은 정규화 기술 및 결정 트리 기반 중요성 측정이 있습니다.

기능 공학은 모델 학습을 강화하는 의미있는 기능으로 원료를 변환합니다. 그것은 새로운 기능을 생성하고, 인코딩 categorical 변수를, 수치 데이터를 스케일링합니다.

새로운 기능을 생성하면 수학 조합, 집계, 또는 도메인 별 변환을 포함 할 수 있습니다. 이 데이터의 숨겨진 패턴을 알 수 있습니다.

수로 형식으로 분류 데이터를 변환하는 것은 중요하다. 일반적인 방법은 원호 인코딩, 라벨 인코딩 및 타겟 인코딩을 포함한다.

확장은 많은 알고리즘을 얻을 수 있는 다양한 스케일에 있습니다. 기술에는 최소 최대 스케일링 및 표준화가 포함됩니다.