Q:
Чому вибір машин настільки важливий у машинному навчанні?
A:Вибір особливостей є надзвичайно важливим у машинному навчанні насамперед, оскільки він служить основним прийомом для спрямування використання змінних на те, що є найбільш ефективним та ефективним для даної системи машинного навчання.
Експерти говорять про те, як вибір функцій та вилучення функцій працюють, щоб мінімізувати прокляття розмірності або допомогти впоратися з надмірною обробкою - це різні способи вирішення ідеї надмірно складного моделювання.
| Безкоштовне завантаження: машинне навчання і чому це важливо |
Ще один спосіб сказати це, що вибір функцій допомагає надати розробникам інструменти для використання лише найбільш релевантних і корисних даних у навчальних наборах з машинного навчання, що різко зменшує витрати та обсяг даних.
Одним із прикладів є ідея вимірювання складної форми в масштабі. По мірі масштабування програми вона визначає більшу кількість точок даних, і система стає набагато складнішою. Але складна форма - це не типовий набір даних, який використовує система машинного навчання. Ці системи можуть використовувати набори даних, які сильно розрізняють рівні відмінності між різними змінними. Наприклад, при класифікації видів інженери можуть використовувати вибір функцій лише для вивчення змінних, які дадуть їм найбільш цільові результати. Якщо кожна тварина на графіку має однакову кількість очей або ніг, ці дані можуть бути видалені або можуть бути вилучені інші більш відповідні точки даних.
Вибір функцій - це дискримінаційний процес, за допомогою якого інженери спрямовують системи машинного навчання на ціль. На додаток до ідеї зняти складність із систем в масштабі, вибір функцій також може бути корисним для оптимізації аспектів того, що фахівці називають «компенсацією відхилення ухилу» в машинному навчанні.
Причини, через які вибір функції допомагає при зміщенні та дисперсійному аналізі, є складнішими. Дослідження університету Корнелла щодо вибору функцій, зміщення зміщення та упаковки служить для того, щоб проілюструвати, як вибір функцій сприяє проектуванню.
На думку авторів, у статті "вивчається механізм, за допомогою якого підбір особливостей підвищує точність керованого навчання".
Далі у дослідженні зазначено:
Емпіричний аналіз зміщення / дисперсії в міру просування вибору ознак вказує на те, що найточніший набір функцій відповідає найкращій точці компромісії дисперсії для алгоритму навчання.
Обговорюючи використання сильної або слабкої актуальності, письменники говорять про вибір функції як "метод зменшення дисперсії" - це має сенс, коли ви вважаєте дисперсію як по суті величиною варіації в даній змінній. Якщо немає дисперсії, точка даних або масив можуть бути по суті марними. Якщо вкрай велика дисперсія, це може перетворитись на те, що інженери можуть вважати "шумом" або невідповідними, довільними результатами, які важко керувати системою машинного навчання.
З огляду на це, вибір функцій є основоположною частиною дизайну в машинному навчанні.
