Q:
Почему выбор функций так важен в машинном обучении?
A:Выбор характеристик чрезвычайно важен в машинном обучении, прежде всего потому, что он служит фундаментальным методом для направления использования переменных к тому, что является наиболее эффективным и действенным для данной системы машинного обучения.
Эксперты рассказывают о том, как выбор объектов и их извлечение работают, чтобы минимизировать проклятие размерности или помочь справиться с перенастройкой - это разные способы реализации идеи чрезмерно сложного моделирования.
| Скачать бесплатно: машинное обучение и почему это важно |
Еще один способ сказать, что выбор функций помогает разработчикам использовать инструменты только самых важных и полезных данных в учебных комплектах машинного обучения, что значительно сокращает затраты и объем данных.
Одним из примеров является идея измерения сложной формы в масштабе. По мере масштабирования программы выявляется большее количество точек данных, и система становится намного более сложной. Но сложная форма не является типичным набором данных, который использует система машинного обучения. Эти системы могут использовать наборы данных, которые имеют очень разные уровни дисперсии между различными переменными. Например, при классификации видов инженеры могут использовать выбор признаков только для изучения переменных, которые дадут им наиболее точные результаты. Если у каждого животного на диаграмме одинаковое количество глаз или ног, эти данные могут быть удалены или могут быть извлечены другие более важные точки данных.
Выбор характеристик - это процесс распознавания, с помощью которого инженеры направляют системы машинного обучения на цель. В дополнение к идее удаления сложности из систем в масштабе, выбор функций также может быть полезен для оптимизации аспектов, которые эксперты называют «компромиссной дисперсией» в машинном обучении.
Причины, по которым выбор признаков помогает в анализе отклонений и отклонений, более сложны. Исследование, проведенное Корнельским университетом по отбору характеристик, отклонению смещения и пакетированию, служит для иллюстрации того, как выбор элементов помогает проектам.
По мнению авторов, в статье «рассматривается механизм, с помощью которого выбор характеристик повышает точность контролируемого обучения».
Исследование далее заявляет:
Эмпирический анализ смещения / дисперсии в процессе выбора признаков показывает, что наиболее точный набор характеристик соответствует наилучшей точке компромисса смещения дисперсии для алгоритма обучения.
Обсуждая использование сильной или слабой релевантности, авторы говорят о выборе признаков как о «методе уменьшения дисперсии» - это имеет смысл, когда вы думаете о дисперсии как о значении вариации в данной переменной. Если нет различий, точка данных или массив могут быть по существу бесполезными. Если есть чрезвычайно высокая дисперсия, она может перейти в то, что инженеры могут воспринимать как «шум» или нерелевантные, произвольные результаты, которыми трудно управлять системой машинного обучения.
В свете этого выбор функций является фундаментальной частью проектирования в машинном обучении.
