Wrapper methods use the predictor a

Wrapper methods use the predictor as a black box and the predictor performance as the objective function to evaluate the variable subset. Since evaluating 2 N subsets becomes a NP-hard problem, suboptimal subsets are found by employing search algorithms which find a subset heuristically. A number of search algorithms can be used to find a subset of variables which maximizes the objective function which is the classification performance. The Branch and Bound method [8,30] used tree
structure to evaluate different subsets for the given feature selection number. But the search would grow exponentially [8] for higher number of features. Exhaustive search methods can become computationally intensive for larger datasets.
Therefore simplified algorithms such as sequential search or evolutionary algorithms such as Genetic Algorithm (GA) [31] or Particle Swarm Optimization (PSO) [32] which yield local optimum results are employed which can produce good results and are computationally feasible.

Kết quả (Việt) 1:

Wrapper phương pháp sử dụng yếu tố dự báo là một hộp đen và hiệu suất dự báo là hàm mục tiêu để đánh giá tập hợp con biến. Kể từ khi đánh giá 2 N tập con trở thành một vấn đề khó NP, suboptimal tập con được tìm thấy bằng cách sử dụng thuật toán tìm kiếm mà tìm thấy một tập hợp con nhờ. Một số tìm kiếm thuật toán có thể được sử dụng để tìm thấy một tập hợp con của các biến mà tối đa hoá mục tiêu hoạt động mà là hiệu suất phân loại. Chi nhánh và ràng buộc phương pháp [8,30] sử dụng câycấu trúc để đánh giá các tập con khác nhau cho một số lựa chọn tính năng nhất định. Nhưng việc tìm kiếm sẽ phát triển theo cấp số nhân [8] cho cao hơn số tính năng. Phương pháp tìm kiếm đầy đủ có thể trở thành computationally chuyên sâu cho datasets lớn hơn.Do đó các thuật toán đơn giản như tuần tự tìm hoặc tiến hóa thuật toán chẳng hạn như di truyền thuật toán (GA) [31] hoặc hạt đánh Swarm tối ưu hóa (PSO) [32] mà mang lại kết quả tối ưu địa phương được tuyển dụng mà có thể tạo ra kết quả tốt và computationally khả thi.

Kết quả (Việt) 2:

Phương pháp sử dụng các yếu tố dự báo wrapper như một hộp đen và việc thực hiện dự báo là hàm mục tiêu để đánh giá các tập con biến. Kể từ khi đánh giá 2 N tập con trở thành một vấn đề NP-khó, tập con tối ưu được tìm thấy bằng cách sử dụng các thuật toán tìm kiếm mà tìm thấy một tập hợp con heuristically. Một số thuật toán tìm kiếm có thể được sử dụng để tìm một tập hợp con của các biến đó tối đa hóa hàm mục tiêu đó là việc thực hiện phân loại. Chi nhánh và phương pháp ràng buộc [8,30] dùng cây
cấu trúc để đánh giá các tập con khác nhau cho các số lựa chọn tính năng nhất định. Nhưng việc tìm kiếm sẽ phát triển theo cấp số nhân [8] cho số cao hơn của tính năng. Phương pháp tìm kiếm toàn có thể trở thành tính toán chuyên sâu cho các tập dữ liệu lớn hơn.
Thuật toán Do đó đơn giản như tìm kiếm tuần tự hoặc các thuật toán tiến hóa như thuật toán di truyền (GA) [31] hoặc Particle Swarm Optimization (PSO) [32] mang lại kết quả tối ưu địa phương được tuyển dụng mà có thể tạo ra kết quả tốt và khá là khả thi.