کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6863885 1439527 2018 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Feature selection in machine learning: A new perspective
ترجمه فارسی عنوان
انتخاب ویژگی در یادگیری ماشین: چشم انداز جدید
کلمات کلیدی
انتخاب ویژگی، کاهش ابعاد، فراگیری ماشین، داده کاوی،
ترجمه چکیده
تجزیه و تحلیل داده های با ابعاد بزرگ، یک چالش برای محققان و مهندسان در زمینه یادگیری ماشین و داده کاوی است. انتخاب ویژگی یک راه موثر برای حل این مشکل را با حذف داده های نامناسب و بیش از حد فراهم می کند که می تواند زمان محاسبه را کاهش دهد، دقت یادگیری را بهبود بخشیده و درک بهتر برای مدل یادگیری یا داده ها را تسهیل می کند. در این مطالعه، ما چندین روش ارزیابی ارزیابی برای انتخاب ویژگی ها را مورد بحث قرار می دهیم و سپس روش های انتخابی نظارت، نظارت نشده و نیمه نظارتی را بررسی می کنیم که به طور گسترده در مشکلات یادگیری ماشین ها، مانند طبقه بندی و خوشه بندی، کاربرد دارد. در نهایت، چالش های آینده در مورد انتخاب ویژگی ها مورد بحث قرار می گیرد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
انتخاب ویژگی در یادگیری ماشین: چشم انداز جدید
چکیده انگلیسی
High-dimensional data analysis is a challenge for researchers and engineers in the fields of machine learning and data mining. Feature selection provides an effective way to solve this problem by removing irrelevant and redundant data, which can reduce computation time, improve learning accuracy, and facilitate a better understanding for the learning model or data. In this study, we discuss several frequently-used evaluation measures for feature selection, and then survey supervised, unsupervised, and semi-supervised feature selection methods, which are widely applied in machine learning problems, such as classification and clustering. Lastly, future challenges about feature selection are discussed.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 300, 26 July 2018, Pages 70-79
نویسندگان
, , , ,