کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6863916 1439529 2018 11 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Interpretation of linear classifiers by means of feature relevance bounds
ترجمه فارسی عنوان
تفسیر طبقه بندی های خطی با استفاده از مرزهای مربوط به ویژگی
کلمات کلیدی
ارتباطات ویژگی، انتخاب ویژگی، ترجمه همه مرتبط، طبقه بندی خطی،
ترجمه چکیده
تحقیقات در رابطه با ویژگی و مشکالت انتخاب ویژگی چندین دهه پیش می آید، اما اهمیت این مناطق همچنان رشد می کند، به طوری که اطلاعات بیشتری به دست می آید و روش های یادگیری ماشین برای به دست آوردن بینش و تفسیر استفاده می شود، نه صرفا برای حل طبقه بندی یا رگرسیون چالش ها و مسائل. علیرغم این که ارتباطات ویژگی اغلب مورد بحث قرار می گیرد، اغلب نامطلوب تعریف شده است و مشکالت انتخاب ویژگی های مورد مطالعه کاملا متفاوت است. علاوه بر این، مشکل پیدا کردن تمام ویژگی های مربوط به یک مشکل طبقه بندی تنها اخیرا شروع به کسب کشش، با وجود اهمیت آن برای تفسیر پذیری و ادغام دانش کارشناس. در این مقاله، ما تلاش می کنیم تا مفاهیم استفاده شده را به طور کلی مورد استفاده قرار دهیم و یک مرور کلی از سوالات و نتایج اصلی ارائه دهیم. ما دو تفسیر از مسئله همه مربوطه را رسم می کنیم و یک روش چندجمله ای برای تقریب یکی از آنها را برای کلاس فرضیه های مهم طبقه بندی های خطی ارائه می دهیم که همچنین می تواند تمایز بین ویژگی های شدید و ضعیف مرتبط را ایجاد کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
تفسیر طبقه بندی های خطی با استفاده از مرزهای مربوط به ویژگی
چکیده انگلیسی
Research on feature relevance and feature selection problems goes back several decades, but the importance of these areas continues to grow as more and more data becomes available, and machine learning methods are used to gain insight and interpret, rather than solely to solve classification or regression problems. Despite the fact that feature relevance is often discussed, it is frequently poorly defined, and the feature selection problems studied are subtly different. Furthermore, the problem of finding all features relevant for a classification problem has only recently started to gain traction, despite its importance for interpretability and integrating expert knowledge. In this paper, we attempt to unify commonly used concepts and to give an overview of the main questions and results. We formalize two interpretations of the all-relevant problem and propose a polynomial method to approximate one of them for the important hypothesis class of linear classifiers, which also enables a distinction between strongly and weakly relevant features.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 298, 12 July 2018, Pages 69-79
نویسندگان
, , , ,