DalšíDalší průvodce
Funkce zpoždění pro předpověď časových řad
Technický
Technický PRŮVODCE
Výběr funkcí vybírá podmnožinu vstupních proměnných pro model, což může zjednodušit učení a usnadnit kontrolu výsledků.
Poslechněte si tento návodAI-vyprávěný · ~3 min
Filtr, obal a vestavěné metody činí tuto volbu různými způsoby, s různými náklady a riziky nadměrného vybavení.
Výběr funkcí zachovává některé vstupní proměnné a jiné vylučuje. Liší se od extrakce rysů, která transformuje vstupy do nových reprezentací, jako jsou hlavní komponenty. Výběr může snížit náklady na měření nebo odvození, zjednodušit model a někdy zlepšit zobecnění, když studenta rozptylují irelevantní nebo nadbytečné proměnné. Nezaručuje lepší přesnost: vyřazená proměnná může obsahovat užitečný signál, zejména prostřednictvím interakcí. Filtrační metody hodnotí proměnné pomocí kritérií nezávislých na konečném odhadu. Příklady zahrnují prahové hodnoty rozptylu a jednorozměrné testy nebo vzájemné informace mezi jedním prvkem a cílem. Jsou často levné, ale v jednorozměrném skóre může chybět funkce, která je důležitá pouze v kombinaci s jinou. Korelační filtr může také odstranit jeden ze dvou redundantních vstupů, aniž by věděl, který je pro případný model užitečnější. Metody Wrapper vyhodnocují kandidátské podmnožiny přizpůsobením odhadu. Rekurzivní eliminace prvků opakovaně pasuje do modelu, řadí prvky a některé odstraňuje před opětovnou montáží. To může odrážet chování odhadce přímočařeji než jednoduchý filtr, ale opakované přizpůsobení stojí čas a může přerůst, pokud je výběr posuzován na základě stejných dat, která se používají k vykazování výkonu. Vestavěné metody provádějí výběr během montáže modelu. L1-regulované lineární modely mohou nastavit koeficienty přesně na nulu; stromové metody poskytují měření důležitosti na základě rozdělení, která mohou vést výběr. Tato opatření mají předpoklady a předsudky, takže by se s nimi nemělo zacházet jako s univerzální pravdou. Korelované rysy mohou dělit důležitost nebo se navzájem nahrazovat. Celé výběrové řízení patří do tréninkového procesu pro hodnocení. Pokud se skóre funkcí vypočítává jednou pomocí všech štítků před křížovou validací, informace z ověřovacích záhybů již ovlivnily vybranou podmnožinu. Tento únik může způsobit, že měřený výkon bude optimistický. Porovnejte celé potrubí, včetně výběru, pomocí vhodných rozdělení. Spolu se skóre mějte na paměti omezení domény, dostupnost v době predikce, spravedlnost a náklady na měření.
Klasifikátor textu odstraňuje binární sloupce s výskytem termínů, které jsou konstantní ve všech výukových dokumentech. Tento filtr rozptylu bez štítků eliminuje vstupy, které tyto příklady školení nerozlišují.
Datový vědec používá eliminaci rekurzivních prvků s křížovou validací k porovnání podmnožin a opakovaně přizpůsobuje vybraný odhad.
Řídký logistický model trénovaný s penalizací L1 sráží některé koeficienty na nulu a vytváří vložený výběr jako součást přizpůsobení.
Lékařská datová sada uchovává výběr funkcí uvnitř každého tréninkového záhybu, takže zdržené příklady nemohou ovlivnit, které proměnné jsou vybrány.
S tím, jak se datové sady rozšiřují a predikční systémy běží pod přísnější latencí nebo omezeními správy dat, může výběr stále více sloužit provozním cílům spolu s prediktivním výkonem. Týmy mohou zvážit náklady na shromažďování pole, riziko, že nebude k dispozici, a obtížnost vysvětlení jeho použití. Automatizované kanály mohou hlásit stabilitu výběru a lokální vyhodnocení, ale tato diagnostika stále závisí na reprezentativních datech a rozumných cílech. Výběr funkcí zůstane volbou modelování, která vyžaduje revizi domény, zvláště když proměnné jednají společně nebo nesou citlivé informace.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
Výběr funkcí vybírá podmnožinu vstupních proměnných pro model, což může zjednodušit učení a usnadnit kontrolu výsledků. Filtr, obal a vestavěné metody činí tuto volbu různými způsoby, s různými náklady a riziky nadměrného vybavení.
Výběr vybírá původní proměnné; PCA vytváří nové směry jako transformace prvků.
Prvek může mít malou okrajovou asociaci, přesto může přispívat v kombinaci s jinou proměnnou.
RFE používá k hodnocení a odstraňování prvků opakované přizpůsobení odhadu.
Samotný účel přizpůsobení modelu vyvolává řídkost, takže výběr je vložen.
Výběr pomocí štítků z ověřovacích záhybů uniká informace do vývoje modelu.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
Funkce zpoždění pro předpověď časových řad
Technický