Публикации по теме 'feature-selection'


Тест хи-квадрат для выбора функций в машинном обучении
Выбор функций всегда играет ключевую роль в машинном обучении Нам всегда интересно, где тест хи-квадрат может быть полезен в машинном обучении и как этот тест имеет значение. Выбор функций - важная проблема в машинном обучении, где у нас будет несколько функций в очереди, и нам нужно будет выбрать лучшие функции для построения модели. Тест хи-квадрат помогает решить проблему выбора функций, проверяя взаимосвязь между функциями. В этой статье я расскажу а. Распределение хи-квадрат...
Выбор функций в машинном обучении
В этой статье мы обсудим важность процесса выбора функций , почему это необходимо и какие существуют типы выбора функций . . Итак, приступим… Что такое процесс выбора функций? Это процесс выбора необходимых функций, которые больше влияют на выходную переменную. Это означает, что нам нужно выбрать только те признаки (независимые переменные), которые тесно связаны с выходной переменной. Это самый важный процесс для создания модели машинного обучения. Почему важен выбор..
Text Mining: набор слов + выбор функций
Используется много различных типов интеллектуального анализа текста. Эта статья посвящена построению модели классификации с использованием текста, такого как твиты, короткие статьи или обзоры ресторанов / продуктов / фильмов. Эти короткие фрагменты текста будут иметь такие обозначения, как положительное или отрицательное мнение. Первый подход к построению классификационной модели из слов - использовать модель мешка слов / униграмм. Чтобы преобразовать тексты в набор слов, сначала вы..
Спасибо Мэн за разъяснение вопроса.
Спасибо Мэн за разъяснение вопроса. Позвольте мне попытаться дать интуитивно понятный и простой для понимания ответ, почему регуляризация L1 имеет несколько решений, а регуляризация L2 имеет одно решение. Давайте сначала рассмотрим регуляризацию L1 . L1 регуляризация = λ | θ | где λ | θ | ≤ C. C - постоянное значение мы можем переписать это как λ θ-C = 0. Это уравнение может иметь несколько решений, поскольку у нас есть разные значения для θ, которые удовлетворяли бы..
Выбор признаков для уменьшения размерности (метод обертки)
В машинном обучении выбор важных функций в данных является важной частью полного цикла. Передача данных с нерелевантными функциями может повлиять на производительность модели, поскольку модель запоминает переданные в нее нерелевантные функции. Необходимость выбора функций: Это помогает упростить модели, чтобы их было проще и быстрее обучать. Сокращает время обучения. Помогает избежать проклятия размерности , Улучшение обобщения за счет уменьшения переобучения (формально,..
Выбор функций с учетом распределения с помощью Kydavra MUSESelector
Один из наиболее интуитивно понятных способов выбора функций - это выяснить, насколько распределение классов отличается друг от друга. Однако на некоторых интервалах распределение признака по классам может быть разным, а на других интервалах оно может быть практически таким же. Итак, мы можем сделать вывод, что признаки, которые имеют наибольшее количество интервалов, в которых распределение классов различается, являются лучшими функциями. Эта логика реализована в Минимальной..
Обзор статистического подхода: выбор признаков в машинном обучении
При работе с машинным обучением (ML) выбор функций является одной из самых важных задач. Если у вас нет правильного представления о выборе функций ML, у вас могут возникнуть различные трудности. Несмотря на то, что можно найти несколько методов выбора признаков, коэффициент корреляции Пирсона является надежным, что я собираюсь объяснить в этой статье. В этой статье будет рассмотрен метод выбора функций машинного обучения и практическая реализация. Несколько слов перед началом..