การแยกคุณลักษณะและการเลือกคุณสมบัติเป็นหลักช่วยลดมิติข้อมูล แต่การดึงคุณสมบัติยังทำให้ข้อมูลแยกกันได้มากขึ้นถ้าฉันพูดถูก
เทคนิคใดจะเป็นที่ต้องการมากกว่าอีกอันและเมื่อใด
ฉันคิดว่าเนื่องจากการเลือกคุณสมบัติไม่ได้แก้ไขข้อมูลต้นฉบับและคุณสมบัติของมันฉันคิดว่าคุณจะใช้การเลือกคุณสมบัติเมื่อสิ่งสำคัญคือคุณสมบัติที่คุณกำลังฝึกอบรมไม่เปลี่ยนแปลง แต่ฉันไม่สามารถจินตนาการได้ว่าทำไมคุณต้องการบางสิ่งเช่นนี้ ..
คำตอบ:
การเพิ่มคำตอบที่ได้รับจาก Toros
สามเหล่านี้ (ดูด้านล่างสัญลักษณ์แสดงหัวข้อย่อย) สามค่อนข้างคล้ายกัน แต่มีความแตกต่างที่ลึกซึ้ง - :( รัดกุมและง่ายต่อการจดจำ)
การแยกคุณสมบัติและวิศวกรรมคุณสมบัติ : การแปลงข้อมูลดิบเป็นคุณสมบัติที่เหมาะสมสำหรับการสร้างแบบจำลอง
การเปลี่ยนแปลงคุณสมบัติ : การแปลงข้อมูลเพื่อปรับปรุงความแม่นยำของอัลกอริทึม;
การเลือกคุณสมบัติ : การลบคุณสมบัติที่ไม่จำเป็น
เพียงแค่เพิ่มตัวอย่างเดียวกัน
การสกัดคุณลักษณะและวิศวกรรม (เราสามารถแยกบางอย่างออกจากพวกเขา)
การแปลงคุณสมบัติ (เปลี่ยนให้เหมาะสม)
การเลือกคุณสมบัติ (การสร้างแบบจำลองของคุณบนคุณสมบัติที่เลือกเหล่านี้)
หวังว่านี่จะช่วย ...
ดูลิงก์ที่แบ่งปันโดยคนอื่น พวกเขาค่อนข้างดี ...
ดังที่ Aditya กล่าวว่ามี 3 คำที่เกี่ยวข้องกับคุณสมบัติซึ่งบางครั้งอาจสับสนซึ่งกันและกัน ฉันจะลองและให้คำอธิบายสรุปกับแต่ละคน:
หากสิ่งเดียวที่คุณต้องการบรรลุคือการลดขนาดข้อมูลในชุดข้อมูลที่มีอยู่คุณสามารถใช้การแปลงคุณสมบัติหรือวิธีการเลือกคุณสมบัติ แต่ถ้าคุณจำเป็นต้องรู้การตีความทางกายภาพของคุณสมบัติที่คุณระบุว่า "สำคัญ" หรือคุณกำลังพยายาม จำกัด จำนวนข้อมูลที่ต้องรวบรวมสำหรับการวิเคราะห์ของคุณ (คุณต้องการชุดฟีเจอร์เริ่มต้นทั้งหมดสำหรับการแปลงคุณสมบัติ) การเลือกคุณสมบัติเท่านั้นจึงจะใช้ได้
คุณสามารถค้นหารายละเอียดเพิ่มเติมเกี่ยวกับการเลือกคุณสมบัติและการลดขนาดได้ในลิงค์ต่อไปนี้:
ฉันคิดว่าพวกเขาเป็น 2 สิ่งที่แตกต่างกัน
เริ่มต้นด้วยการเลือกคุณสมบัติ :
เทคนิคนี้ใช้สำหรับการเลือกคุณสมบัติที่อธิบายตัวแปรเป้าหมายส่วนใหญ่ (มีความสัมพันธ์กับตัวแปรเป้าหมาย) การทดสอบนี้จะดำเนินการก่อนที่โมเดลจะถูกนำไปใช้กับข้อมูล
เพื่ออธิบายให้ดีขึ้นให้เราไปตามตัวอย่าง: มี 10 คุณสมบัติและตัวแปรเป้าหมาย 1 ตัวคุณสมบัติ 9 ตัวอธิบาย 90% ของตัวแปรเป้าหมายและ 10 คุณสมบัติรวมกันอธิบาย 91% ของตัวแปรเป้าหมาย ดังนั้นตัวแปร 1 นั้นไม่ได้สร้างความแตกต่างมากนักดังนั้นคุณมักจะลบมันก่อนการสร้างแบบจำลอง (มันเป็นเรื่องของธุรกิจเช่นกัน) ฉันสามารถเรียกได้ว่าเป็น Predictor สำคัญ
ตอนนี้ให้พูดคุยเกี่ยวกับคุณสมบัติของการสกัด ,
ซึ่งใช้ในการเรียนรู้ Unsupervised, การสกัดของรูปทรงในภาพ, การสกัด Bi-grams จากข้อความ, การแยกหน่วยเสียงจากการบันทึกข้อความพูด เมื่อคุณไม่รู้อะไรเกี่ยวกับข้อมูลเช่นไม่มีพจนานุกรมข้อมูลคุณลักษณะที่มากเกินไปซึ่งหมายความว่าข้อมูลนั้นไม่อยู่ในรูปแบบที่เข้าใจได้ จากนั้นคุณลองใช้เทคนิคนี้เพื่อรับคุณสมบัติบางอย่างซึ่งอธิบายถึงข้อมูลส่วนใหญ่ การแยกคุณลักษณะเกี่ยวข้องกับการเปลี่ยนแปลงคุณสมบัติซึ่งมักไม่สามารถย้อนกลับได้เนื่องจากข้อมูลบางอย่างสูญหายไปในกระบวนการลดมิติข้อมูล
คุณสามารถใช้การสกัดคุณลักษณะบนข้อมูลที่กำหนดเพื่อแยกฟีเจอร์จากนั้นใช้การเลือกคุณสมบัติที่เกี่ยวข้องกับ Target Variable เพื่อเลือกเซ็ตย่อยซึ่งสามารถช่วยในการสร้างแบบจำลองที่ดีพร้อมผลลัพธ์ที่ดี
คุณสามารถผ่านLink-1 , Link-2เหล่านี้เพื่อความเข้าใจที่ดีขึ้น
เราสามารถนำไปใช้ใน R, Python, SPSS
แจ้งให้เราทราบหากต้องการคำชี้แจงเพิ่มเติม
ทั้งสองแตกต่างกันมาก: การเลือกคุณสมบัติลดขนาดได้อย่างแน่นอน แต่การดึงคุณสมบัติเพิ่มมิติที่คำนวณจากคุณสมบัติอื่น ๆ
สำหรับพาเนลหรือข้อมูลอนุกรมเวลามักจะมีตัวแปร datetime และหนึ่งไม่ต้องการฝึกอบรมตัวแปรตามในวันที่ตัวเองเป็นพวกที่ไม่เกิดขึ้นในอนาคต ดังนั้นคุณควรกำจัดวันที่และเวลา: การกำจัดคุณสมบัติ
ในทางกลับกันวันทำงาน / วันหยุดสุดสัปดาห์อาจมีความเกี่ยวข้องมากดังนั้นเราจำเป็นต้องคำนวณสถานะของวันทำงานจากวันที่และเวลา: การแยกคุณสมบัติ
ส่วนสำคัญของความสำเร็จของโครงการการเรียนรู้ของเครื่องกำลังมาพร้อมกับคุณสมบัติที่ดีในการฝึกอบรม กระบวนการนี้เรียกว่าคุณสมบัติวิศวกรรมเกี่ยวข้องกับ:
•การเลือกคุณสมบัติ: การเลือกคุณสมบัติที่มีประโยชน์ที่สุดในการฝึกอบรมระหว่างคุณสมบัติที่มีอยู่
•การแยกคุณลักษณะ: การรวมคุณสมบัติที่มีอยู่เพื่อสร้างสิ่งที่มีประโยชน์มากขึ้น (อย่างที่เราเห็นก่อนหน้านี้อัลกอริทึมการลดขนาดสามารถช่วยได้)
•การสร้างคุณสมบัติใหม่โดยรวบรวมข้อมูลใหม่
การอ้างอิง: "การเรียนรู้ของเครื่องด้วย SciKit-Learn, Keras & Tensorflow - Aurelien Geron"