Brownian distance correlation-directed search: A fast feature selection technique for alternate test

آزمون غیرمستقیم ماشینآموزی مبتنی بر الگوریتمهای آماری قدرتمند برای ساخت مدلهای پیشبینی است که اندازهگیریهای ارزان را به معیارهای هزینه پر هزینه مرتبط میکند. اگر چه بسیاری از آثار گذشته، بر پیشنهاد مدل های مختلف و یا راه هایی برای بهبود قابلیت اطمینان نتایج متمرکز شده اند، به نظر می رسد که تنگنای اصلی این روش تعریف یک فضای ورودی غنی از اطلاعات است. پیدا کردن اندازه گیری های مناسب که هر دو ارزان و معنی دار هستند یک کار است که هنوز خودکار نشده است. در این چارچوب، انتخاب ویژگی ابزار ضروری برای کشف نامزدهای احتمالی است. در این مقاله یک روش ترکیبی پیشنهاد شده است که بین روش های مبتنی بر فیلتر کردن و بسته بندی قرار گرفته است و تلاش می کند تا تعادل مناسب بین دقت و سرعت را برای مورد خاص آزمون جایگزین قرار دهد.