Unsupervised Learning의 기능 선택 : 기술 및 문제 해결 전략

이 문서는 저작권법에 따라 분류되지 않은 데이터의 정확성을 보장하는 것입니다. 이 문서는 저작권법에 따라 분류되지 않습니다. 이 문서는 저작권법에 따라 분류되지 않습니다.

Unsupervised 기능 선택을위한 기술

몇몇 방법은 레테르를 붙인 자료 없이 관련 특징을 식별하기 위하여 이용됩니다. 이 기술은 dataset 내의 특징 그리고 그들의 관계의 본질적인 재산 측정에 초점.

이 방법은 샘플의 맞은편에 낮은 차이가 특징을 제거, 작은 변화와 기능을 assuming 적은 통보.

기능들은 결과 클러스터링에 기여하는 것으로 평가됩니다. 클러스터 분리를 개선하는 기능들은 유지됩니다.

기능 선택 구현은 의미있는 결과를 보장하기 위해 전략적인 계획을 필요로 합니다. 여러 기법을 결합하면 더 나은 결과를 얻을 수 있습니다.

Principal Component Analysis (PCA)와 같은 방법은 데이터 variance의 대부분을 보존하면서 기능 선택에 대한 정보를 읽는 기능의 수를 줄입니다.

클러스터링 성능에 기반한 기능 제거 또는 추가 기능을 제거하면 데이터셋에 가장 관련한 기능을 식별할 수 있습니다.