The advantages of feature ranking a

The advantages of feature ranking are that it is computationally light and avoids overfitting and is proven to work well for certain datasets [1,28,5]. Filter methods do not rely on learning algorithms which are biased which is equivalent to changing data to fit the learning algorithm. One of the drawbacks of ranking methods is that the selected subset might not be optimal in that a redundant subset might be obtained. Some ranking methods such as Pearson correlation criteria (1) and MI (4) do
not discriminate the variables in terms of the correlation to other variables. The variables in the subset can be highly correlated in that a smaller subset would suffice [11,28]. This issue of redundant vs. relevant variables is addressed in [1] with good examples. In feature ranking, important features that are less informative on their own but are informative when combined with others could be discarded [1,29]. Finding a suitable learning algorithm can also become hard since the underlying learning algorithm is ignored [11]. Also, there is no ideal method for choosing the dimension of the feature space.

Kết quả (Việt) 1:

Những lợi thế của tính năng xếp hạng là nó là ánh sáng computationally và tránh overfitting và được chứng minh để làm việc tốt đối với một số datasets [1,28,5]. Phương pháp lọc không dựa vào học thuật toán mà là thiên vị là tương đương để thay đổi dữ liệu để phù hợp với các thuật toán học. Một trong những hạn chế của phương pháp xếp hạng là rằng tập con được chọn có thể không được tối ưu trong đó một tập hợp con dự phòng có thể được lấy. Làm một số phương pháp xếp hạng như Pearson tương quan tiêu chuẩn (1) và MI (4)không phân biệt đối xử các biến trong điều khoản của các mối tương quan đến các biến khác. Các biến trong tập con có thể được đánh giá cao tương quan trong đó một tập hợp con nhỏ hơn sẽ đủ [11,28]. Vấn đề này của dư thừa so với biến có liên quan được giải quyết trong [1] với những ví dụ tốt. Trong tính năng tính năng ranking, quan trọng là ít thông tin riêng của họ nhưng thông tin khi kết hợp với những người khác có thể được loại bỏ [1,29]. Việc tìm kiếm một thuật toán học tập phù hợp có thể cũng trở nên khó khăn kể từ khi các thuật toán học cơ bản là bỏ qua [11]. Ngoài ra, có là không có phương pháp lý tưởng cho việc lựa chọn kích thước của không gian tính năng.

Kết quả (Việt) 2:

Những lợi thế của bảng xếp hạng tính năng được rằng đó là ánh sáng tính toán và tránh overfitting và được chứng minh để làm việc tốt đối với một số bộ dữ liệu [1,28,5]. Phương pháp lọc không dựa trên các thuật toán đó là thiên vị tương đương để thay đổi dữ liệu để phù hợp với các thuật toán học học tập. Một trong những nhược điểm của phương pháp xếp hạng là các tập con được lựa chọn có thể không được tối ưu trong đó một tập hợp con dự phòng có thể được thu được. Một số phương pháp xếp hạng như Pearson tiêu chí tương quan (1) và MI (4) làm
không phân biệt các biến về các mối tương quan với các biến khác. Các biến trong các tập con có thể có tương quan cao trong đó một nhóm nhỏ hơn sẽ đủ [11,28]. Vấn đề này của các biến dư thừa so với có liên quan được đề cập trong [1] với các ví dụ tốt. Trong bảng xếp hạng tính năng, tính năng quan trọng mà ít thông tin về riêng của họ, nhưng có nhiều thông tin khi kết hợp với những người khác có thể bị loại bỏ [1,29]. Tìm một thuật toán học phù hợp cũng có thể trở nên khó khăn vì các thuật toán học cơ bản là bỏ qua [11]. Ngoài ra, không có phương pháp lý tưởng cho việc lựa chọn kích thước của không gian đặc trưng.