学科分类 - 《中国大百科全书》第三版网络版

高级搜索

个人中心
机构中心
退出

专业板块专题板块大众板块

首页 . 理学 . 计算机科学技术

特征选择/ feature selection // feature selection /

样本的属性称为“特征”，对当前学习任务有用的属性称为“相关特征”，没有用的属性称为“无关特征”；从给定的特征集中选择出相关特征子集的过程称为“特征选择”。

包裹式选择/ wrapper selection /wrapper selection
特征选择
特征选择的一类方法。包裹式特征选择方法把最终要使用的学习器的性能作为特征子集的评价准则，其目的是为给定学习器选择有利于其性能、“量身定做” 的特征子集，一般而言，由于包裹式特征选择方法直接针对学习器进行优化，因此从最终学习性能上看，包裹式特征选择比过滤式特征选择要好。但是由于包裹式特征选择方法在选择的过程中需要多次训练学习器，其相应的计算开销会比过滤式特征选择方法大得多，且在样本数目不够时容易过拟合。
稀疏学习/ sparse learning /sparse learning
特征选择
能得到稀疏模型的机器学习范式。一个模型是稀疏的，是指模型的参数是稀疏的，即模型参数中的元素大部分为0。为了得到稀疏模型，常用的方法是对模型参数采用1-范数来约束或者正则化。
字典学习/ dictionary learning /dictionary learning
特征选择
从给定的数据集中学习得到一组基本元素的集合，使得给定的数据样本可以表示成基本元素的线性组合。这里的基本元素称为原子（atom），基本元素的集合称为字典（dictionary）。原子的特征维度跟给定数据样本的特征维度相等。
稀疏表示/ sparse representation /sparse representation
特征选择
稀疏表示是一种数学变换，其含义可被描述为：通过最少量的系数尽可能更多的描述数据中包含的信息。
过滤式选择/ filter selection /filter selection
特征选择
特征选择的一类方法。过滤式特征选择方法先对数据进行特征选择，然后再训练学习器，特征选择过程和后续学习器无关。这相当于先用特征选择过程对初始特征进行“过滤”，再用过滤后的特征来训练模型。

特征选择/ feature selection // feature selection /

包裹式选择/ wrapper selection /wrapper selection

稀疏学习/ sparse learning /sparse learning

字典学习/ dictionary learning /dictionary learning

稀疏表示/ sparse representation /sparse representation

过滤式选择/ filter selection /filter selection