Извлечение функций и выбор функций существенно уменьшают размерность данных, но извлечение функций также делает данные более разделимыми, если я прав.
Какой метод предпочтительнее другого и когда?
Я подумал, поскольку выбор функции не изменяет исходные данные и их свойства, я предполагаю, что вы будете использовать выбор функции, когда важно, чтобы функции, на которых вы тренируетесь, оставались неизменными. Но я не могу представить, почему вы хотите что-то подобное ..
Ответы:
Добавление к ответу, данным Торосом,
Эти (см. Ниже пункты) три очень похожи, но с небольшими различиями - :( кратко и легко запомнить)
извлечение признаков и разработка функций : преобразование необработанных данных в функции, подходящие для моделирования;
функция преобразования : преобразование данных для повышения точности алгоритма;
выбор функции : удаление ненужных функций.
Просто чтобы добавить пример того же,
Извлечение функций и разработка (мы можем извлечь что-то из них)
Преобразование функций (преобразование их в смысл)
Выбор характеристик (построение вашей модели на этих выбранных функциях)
Надеюсь это поможет...
Посмотрите на ссылки, которыми поделились другие. Они довольно хорошие ...
Как сказал Адитья, есть 3 связанных с особенностями термина, которые иногда путают друг с другом. Я постараюсь дать краткое объяснение каждому из них:
Если единственное, чего вы хотите добиться - это уменьшить размерность в существующем наборе данных, вы можете использовать методы преобразования объектов или выбора объектов. Но если вам нужно знать физическую интерпретацию функций, которые вы определяете как «важные», или вы пытаетесь ограничить объем данных, которые необходимо собрать для анализа (вам необходим весь начальный набор функций для преобразования функций), тогда может работать только выбор функций.
Вы можете найти более подробную информацию о выборе объектов и уменьшении размеров в следующих ссылках:
Я думаю, что это две разные вещи,
Начнем с выбора функций :
Этот метод используется для выбора функций, которые объясняют большую часть целевой переменной (имеет корреляцию с целевой переменной). Этот тест выполняется непосредственно перед применением модели к данным.
Чтобы объяснить это лучше, давайте рассмотрим пример: есть 10 признаков и 1 целевая переменная, 9 функций объясняют 90% целевой переменной, а 10 функций вместе объясняют 91% целевой переменной. Таким образом, переменная 1 не имеет большого значения, поэтому вы склонны удалять ее перед моделированием (это также субъективно для бизнеса). Меня также могут называть Predictor Важность.
Теперь давайте поговорим о Feature Extraction ,
Который используется в обучении без учителя, извлечении контуров в изображениях, извлечении би-граммов из текста, извлечении фонем из записи произносимого текста. Когда вы ничего не знаете о данных, таких как словарь данных, слишком много функций, что означает, что данные не в понятном формате. Затем вы пытаетесь применить эту технику, чтобы получить некоторые функции, которые объясняют большую часть данных. Извлечение признаков включает в себя преобразование функций, которое часто необратимо, потому что некоторая информация теряется в процессе уменьшения размерности.
Вы можете применить Feature Extraction к заданным данным, чтобы извлечь объекты, а затем применить Feature Feature относительно целевой переменной, чтобы выбрать подмножество, которое может помочь в создании хорошей модели с хорошими результатами.
Вы можете пройти через эти Link-1 , Link-2 для лучшего понимания.
мы можем реализовать их в R, Python, SPSS.
дайте мне знать, если нужно больше разъяснений.
Они очень разные: выбор объектов действительно уменьшает размеры, но извлечение объектов добавляет измерения, которые вычисляются из других объектов.
Для данных панели или временных рядов обычно используется переменная datetime, и не требуется обучать зависимую переменную самой дате, так как они не появятся в будущем. Таким образом, вы должны исключить дату и время: удаление функции.
С другой стороны, день недели / выходной день может быть очень важным, поэтому нам нужно вычислить состояние дня недели из datetime: извлечение функции.
Важной частью успеха проекта «Машинное обучение» является хороший набор возможностей для обучения. Этот процесс, называемый особенностями проектирования, включает в себя:
• Выбор функций: выбор наиболее полезных функций для обучения среди существующих функций.
• Извлечение признаков: объединение существующих функций для создания более полезного (как мы видели ранее, могут помочь алгоритмы уменьшения размерности).
• Создание новых функций путем сбора новых данных
Цитата: «Руки на машинное обучение с SciKit-Learn, Keras & Tensorflow - Aurelien Geron»