@davisdavidدیویس دیوید
دانشمند داده | پزشک هوش مصنوعی | توسعه دهنده نرم افزار سخنرانی ، آموزش ، نوشتن.
Feature Selection فرآیندی است که در آن شما به طور خودکار یا دستی آن ویژگی هایی را انتخاب می کنید که بیشترین تأثیر را در متغیر پیش بینی یا خروجی مورد نظر شما دارند. یک دلیل عمده این است که یادگیری ماشینی از قانون پیروی می کند “زباله در زباله” و به همین دلیل است که شما باید در مورد ویژگی های تغذیه شده در مدل بسیار نگران باشید.
داشتن ویژگی های نامربوط در داده های شما هم می تواند هزینه محاسباتی مدل سازی را افزایش دهد و هم نزول کردن دقت از مدلها استفاده کنید و مدل خود را بر اساس ویژگیهای نامربوط یاد بگیرید. این بدان معنی است که شما فقط باید انتخاب کنید ویژگی های مهم در حین آموزش مدل ارائه شود.
دلایل اصلی استفاده از انتخاب ویژگی:
این الگوریتم یادگیری ماشین را قادر می سازد تا سریعتر آموزش ببیند. از پیچیدگی یک مدل می کاهد و تفسیر آن را آسان تر می کند. در صورت انتخاب زیرمجموعه مناسب ، دقت مدل را بهبود می بخشد. از بین رفتن بیش از حد می کاهد.
“من با انتخاب همه ویژگی ها مدلی را تهیه کردم و دقت آن در اطراف زیاد شد 65٪ که برای یک مدل پیش بینی بسیار خوب نیست و پس از انجام برخی از ویژگی های انتخاب و مهندسی ویژگی بدون انجام هر گونه تغییر منطقی در کد مدل من دقت من پرش …