फ़ीचर निष्कर्षण और फ़ीचर चयन अनिवार्य रूप से डेटा की गतिशीलता को कम करते हैं, लेकिन फ़ीचर निष्कर्षण भी डेटा को अधिक वियोज्य बनाता है, अगर मैं सही हूं।
कौन सी तकनीक दूसरे पर पसंद की जाएगी और कब?
मैं सोच रहा था, क्योंकि सुविधा चयन मूल डेटा को संशोधित नहीं करता है और यह गुण है, मुझे लगता है कि आप सुविधा चयन का उपयोग करेंगे जब यह महत्वपूर्ण है कि जिन विशेषताओं पर आप प्रशिक्षण ले रहे हैं वे अपरिवर्तित रहें। लेकिन मैं सोच भी नहीं सकता कि आप ऐसा कुछ क्यों चाहते हैं ..
जवाबों:
Toros द्वारा दिए गए उत्तर में जोड़ना,
ये (गोलियों के नीचे देखें) तीन काफी समान हैं लेकिन सूक्ष्म अंतर के साथ -: (संक्षिप्त और याद रखने में आसान)
सुविधा निष्कर्षण और सुविधा इंजीनियरिंग : मॉडलिंग के लिए उपयुक्त सुविधाओं में कच्चे डेटा का परिवर्तन;
सुविधा परिवर्तन : एल्गोरिथ्म की सटीकता में सुधार करने के लिए डेटा का परिवर्तन;
सुविधा का चयन : अनावश्यक सुविधाओं को हटाना।
बस उसी का एक उदाहरण जोड़ने के लिए,
फ़ीचर निष्कर्षण और इंजीनियरिंग (हम उनसे कुछ निकाल सकते हैं)
फ़ीचर ट्रांस्फ़ॉर्मेशन (उन्हें बदलने का मतलब है)
सुविधा चयन (इन चयनित सुविधाओं पर अपना मॉडल बनाना)
उम्मीद है की यह मदद करेगा...
दूसरों द्वारा साझा किए गए लिंक को देखें। वे काफी अच्छे हैं ...
जैसा कि आदित्य ने कहा, 3 फीचर-संबंधित शब्द हैं जो कभी-कभी एक-दूसरे के साथ भ्रमित होते हैं। मैं उनमें से हर एक को सारांश स्पष्टीकरण देने की कोशिश करूंगा:
यदि केवल एक चीज जिसे आप प्राप्त करना चाहते हैं, वह मौजूदा डेटासेट में आयामीता में कमी है, तो आप सुविधा परिवर्तन या सुविधा चयन विधियों का उपयोग कर सकते हैं। लेकिन अगर आपको उन विशेषताओं की भौतिक व्याख्या जानने की जरूरत है जिन्हें आप "महत्वपूर्ण" के रूप में पहचानते हैं या आप अपने विश्लेषण के लिए एकत्र किए जाने वाले डेटा की मात्रा को सीमित करने की कोशिश कर रहे हैं (आपको सुविधा परिवर्तन के लिए सभी प्रारंभिक सेट सुविधाओं की आवश्यकता है), तब केवल सुविधा चयन ही काम कर सकता है।
आप नीचे दिए गए लिंक में फ़ीचर चयन और आयामी कमी पर अधिक जानकारी पा सकते हैं :
मुझे लगता है कि वे 2 अलग चीजें हैं,
सुविधा चयन से शुरू करें :
इस तकनीक का उपयोग उन विशेषताओं को चुनने के लिए किया जाता है जो लक्ष्य चर का सबसे अधिक विवरण देते हैं (लक्ष्य चर के साथ सहसंबंध है)। यह परीक्षण डेटा पर मॉडल लागू होने से ठीक पहले चलाया जाता है।
इसे बेहतर तरीके से समझाने के लिए आइए एक उदाहरण से जानें: 10 फ़ीचर और 1 टारगेट वेरिएबल हैं, 9 फीचर्स में टार्गेट वेरिएबल का 90% और 10 फीचर्स मिलकर 91% टार्गेट वेरिएबल बताते हैं। इसलिए 1 वैरिएबल में बहुत फर्क नहीं हो रहा है इसलिए आप मॉडलिंग से पहले इसे हटा देते हैं (यह व्यवसाय के लिए भी व्यक्तिपरक है)। मुझे प्रिडिक्टर इंपोर्टेंस भी कहा जा सकता है।
अब फ़ीचर एक्सट्रैक्शन के बारे में बात करते हैं ,
जिसका उपयोग Unsupervised Learning, Images में कंट्रोस का निष्कर्षण, एक टेक्स्ट से Bi-gr का निष्कर्षण, बोले गए टेक्स्ट की रिकॉर्डिंग से फोनमेन्स का निष्कर्षण करने के लिए किया जाता है। जब आप डेटा के बारे में कुछ भी नहीं जानते हैं जैसे कोई डेटा डिक्शनरी नहीं है, तो बहुत सी विशेषताएं जिसका अर्थ है कि डेटा समझने योग्य प्रारूप में नहीं है। फिर आप कुछ विशेषताओं को प्राप्त करने के लिए इस तकनीक को लागू करने का प्रयास करते हैं जो कि अधिकांश डेटा की व्याख्या करता है। फ़ीचर निष्कर्षण में सुविधाओं का एक परिवर्तन शामिल होता है, जो अक्सर प्रतिवर्ती नहीं होता है क्योंकि कुछ जानकारी आयामी कमी की प्रक्रिया में खो जाती है।
आप सुविधाओं को निकालने के लिए दिए गए डेटा पर फ़ीचर एक्सट्रैक्शन लागू कर सकते हैं और फिर सब्मिट का चयन करने के लिए लक्ष्य चर के संबंध में फ़ीचर चयन लागू कर सकते हैं जो अच्छे परिणामों के साथ एक अच्छा मॉडल बनाने में मदद कर सकता है।
बेहतर समझ के लिए आप इन लिंक -1 , लिंक -2 से गुजर सकते हैं ।
हम उन्हें R, पायथन, SPSS में लागू कर सकते हैं।
अगर कोई और स्पष्टीकरण चाहिए तो मुझे बताएं।
दोनों बहुत अलग हैं: फीचर चयन वास्तव में आयामों को कम करता है, लेकिन सुविधा निष्कर्षण आयाम जोड़ता है जो अन्य विशेषताओं से गणना की जाती है।
पैनल या टाइम सीरीज़ डेटा के लिए, आम तौर पर डेटाइम वेरिएबल होता है, और कोई उस तारीख पर ही निर्भर वेरिएबल को प्रशिक्षित नहीं करना चाहता है, जो भविष्य में नहीं होता है। इसलिए आपको डेटाइम: फीचर को खत्म करना चाहिए।
दूसरी ओर, कार्यदिवस / सप्ताहांत का दिन बहुत प्रासंगिक हो सकता है, इसलिए हमें कार्यदिवस से कार्यदिवस की स्थिति की गणना करने की आवश्यकता है: सुविधा निष्कर्षण।
मशीन लर्निंग प्रोजेक्ट की सफलता का एक महत्वपूर्ण हिस्सा सुविधाओं को प्रशिक्षित करने का एक अच्छा सेट लेकर आ रहा है। फीचर इंजीनियरिंग नामक इस प्रक्रिया में शामिल हैं:
• फीचर का चयन: मौजूदा सुविधाओं के बीच प्रशिक्षित करने के लिए सबसे उपयोगी सुविधाओं का चयन।
• फीचर निष्कर्षण: एक अधिक उपयोगी एक का उत्पादन करने के लिए मौजूदा सुविधाओं के संयोजन (जैसा कि हमने पहले देखा था, आयामीता एल्गोरिदम मदद कर सकता है)।
• नए डेटा को इकट्ठा करके नई सुविधाओं का निर्माण
उद्धरण: "साइकिट-लर्न के साथ मशीन लर्निंग पर एक हाथ, केरस और टेन्सरफ्लो - ऑरेली गेरन"