K:
Miksi ominaisuuksien valinta on niin tärkeä koneoppimisessa?
V:Ominaisuuksien valinta on erittäin tärkeä koneoppimisessa ensisijaisesti siksi, että se toimii perustavanlaatuisena tekniikkana ohjaamaan muuttujien käyttöä siihen, mikä on tehokkainta ja tehokkainta tietyssä koneoppimisjärjestelmässä.
Asiantuntijat puhuvat siitä, miten ominaisuuksien valinta ja ominaisuuksien poiminta toimivat dimensioiden kirouksen minimoimiseksi tai ylimääräisen asennuksen helpottamiseksi - nämä ovat eri tapoja käsitellä ajatusta liian monimutkaisesta mallinnuksesta.
| Ilmainen lataus: Koneoppiminen ja miksi sillä on merkitystä |
Toinen tapa sanoa tämä on, että ominaisuuksien valinta auttaa kehittäjiä käyttämään työkaluja käyttämään koneoppimiskoulutussarjoissa vain olennaista ja hyödyllistä tietoa, mikä vähentää dramaattisesti kustannuksia ja tiedon määrää.
Yksi esimerkki on idea monimutkaisen muodon mittaamiseksi mittakaavassa. Ohjelman asteikolla se tunnistaa suuremman määrän datapisteitä ja järjestelmästä tulee paljon monimutkaisempi. Mutta monimutkainen muoto ei ole tyypillinen tietojoukko, jota koneoppimisjärjestelmä käyttää. Nämä järjestelmät voivat käyttää tietojoukkoja, joilla on huomattavasti erilaiset varianssitasot eri muuttujien välillä. Esimerkiksi lajien luokittelussa insinöörit voivat käyttää ominaisuuksien valintaa tutkimaan vain muuttujia, jotka antavat niille kaikkein kohdennetumman tuloksen. Jos jokaisella kaaviossa olevalla eläimellä on sama määrä silmiä tai jaloja, kyseiset tiedot voidaan poistaa tai ottaa muut asiaankuuluvat tietopisteet.
Ominaisuuksien valinta on erottava prosessi, jolla insinöörit ohjaavat koneoppimisjärjestelmiä kohti tavoitetta. Sen lisäksi, että ajatellaan poistamaan monimutkaisuus järjestelmistä mittakaavassa, ominaisuuksien valinta voi olla hyödyllinen myös optimoimalla näkökohtia siitä, mitä asiantuntijat kutsuvat koneenoppimisessa "bias varianssin kompromissiksi".
Syyt, miksi ominaisuuksien valinta auttaa vääristymään ja varianssianalyysiin, ovat monimutkaisempia. Cornellin yliopiston tutkimus ominaisuuksien valinnasta, ennakkoluulovarianssista ja pakkaamisesta osoittaa, kuinka ominaisuuksien valinta auttaa.
Kirjailijoiden mukaan artikkelissa "tarkastellaan mekanismia, jolla piirteiden valinta parantaa ohjatun oppimisen tarkkuutta".
Tutkimuksessa todetaan lisäksi:
Empiirinen bias / varianssianalyysi ominaisuuksien valinnan edetessä osoittaa, että tarkin ominaisuusjoukko vastaa oppimisalgoritmin parasta bias-varianssin vaihtoprosenttia.
Keskustellessaan voimakkaan tai heikon relevanssin käytöstä kirjoittajat puhuvat ominaisuuksien valinnasta "varianssin vähentämismenetelmänä" - tämä on järkevää, kun ajatellaan varianssia olennaisesti variaation määränä tietyssä muuttujassa. Jos varianssia ei ole, datapiste tai taulukko voi olla olennaisesti hyödytön. Jos varianssi on erittäin suuri, se saattaa johtaa siihen, mitä insinöörit voivat pitää "meluna" tai merkityksettömänä, mielivaltaisena tuloksena, jota koneoppimisjärjestelmän on vaikea hallita.
Tämän valossa ominaisuuksien valinta on keskeinen osa suunnittelua koneoppimisessa.
