การคัดเลือกแบบคุณภาพเป็นขั้นตอนที่สําคัญในการควบคุมการเรียนรู้ ที่เกี่ยวข้องกับการระบุตัวแปรที่มีความสําคัญมากที่สุดสําหรับการฝึกจําลอง การคัดเลือกอย่างเหมาะสมสามารถปรับปรุงความแม่นยําของโมเดล ลดต้นทุนการคํานวณได้ บทความนี้สํารวจเทคนิคที่ใช้โดยทั่วไปเพื่อเลือกคุณสมบัติ และเพิ่มรุ่นการเรียนรู้

เทคนิกของคุณสมบัติพื้นฐาน

มี การ ใช้ หลาย วิธี เพื่อ เลือก ลักษณะ เด่น ใน การ เรียน รู้ ที่ ได้ รับ การ ดู แล เอา ใจ ใส่.

วิธีการการกรอง

วิธีการกรองจะประเมินความเกี่ยวข้องของคุณสมบัติต่าง ๆ ที่ขึ้นอยู่กับมาตรการทางสถิติ พวกเขาเร็วและสามารถพิมพ์ได้รวดเร็ว ทําให้เหมาะสมสําหรับข้อมูลที่มีมิติสูง เทคนิคการกรองทั่วไปรวม:

  • [FLT: 0] การตัดต่อ cosulation: วัดความสัมพันธ์เชิงเส้นระหว่างคุณลักษณะกับตัวแปรเป้าหมาย
  • [FLT: 0] Chi-Square Test: Aseseses the freeation from the accessized from the access and the death.
  • [FLT: 0] ข้อมูลเชิงเทคนิค: Quantiation จํานวนเงินของข้อมูลที่ใช้ร่วมกันระหว่างคุณลักษณะและเป้าหมาย.

วิธีการตัดกระดาษ

วิธี การ เหล่า นี้ แม่นยํา กว่า แต่ ใช้ ได้ ผล จริง ๆ

  • [FLT: 0] การคัดเลือก: เริ่มต้นโดยไม่มีคุณลักษณะ และเพิ่มข้อมูลหนึ่งในเวลาหนึ่งตามการพัฒนาการทํางาน
  • [FLT: 0] แบ็คเวิร์ แบ็คเอเวอร์ด เอลิคอน: เริ่มต้นด้วยคุณลักษณะทั้งหมด และเอาอันที่น้อยที่สุดออกไป
  • [FLT: 0] การรับรองการรับเชิญ : การรถไฟจําลองแบบ recursible และกําจัดคุณสมบัติที่อ่อนแอที่สุดออกไป

วิธีการฝังตัว

วิธี ต่าง ๆ ที่ ฝัง ตัว เข้า ไป จะ รวม การ เลือก ลักษณะ ต่าง ๆ เข้า ไว้ ใน กระบวนการ ฝึก อบรม แบบ จําลอง.

  • [FLT: 0] – lasso Retrievection: ใช้ L1 แบบปกติเพื่อลดสัมประสิทธิ์บางส่วนถึงศูนย์ คัดเลือกคุณสมบัติที่มีประสิทธิภาพ
  • [FLT: 0] ต้นไม้ Decissions: เลือกคุณสมบัติตามธรรมชาติจากข้อมูลที่ได้รับในระหว่างการแยกแยกแยกส่วน (FLT: 1).
  • [FLT: 0] รุ่นที่แยก: การปรับเทียบพันธ์กับรุ่นที่เหมาะสมในการเลือกคุณสมบัติที่เกี่ยวข้อง