For a particular application, vario

For a particular application, various feature selection algorithms can be applied and the best one can be selected which meets the required criteria. An overlooked problem is the stability of the feature selection algorithms. Stability of a feature selection algorithm can be viewed as the consistency of an algorithm to produce a consistent feature subset when new training samples are added or when some training samples are removed [68,70–73]. If the algorithm produces a different subset for any perturbations in the training data, then that algorithm becomes unreliable for feature selection. Examples of instabilities are demonstrated in [70,73] which can be verified by changing the training set and running the algorithm again. In [70], wrapper techniques are used to study their instability and stability measures are introduced along with possible solutions to alleviate the problem. Various measures are established in [68,70–72] to evaluate different subsets obtained for a certain number of runs. Using these measures, a more robust subset can be found for different datasets. In [73] multicriterion fusion algorithm is developed which uses multiple feature selection algorithms to rank/score the features which are combined to obtain a robust subset based on combining multiple classifiers to improve the accuracy. In [74] the author also suggests dividing the input features (based on their feature extraction procedures) to obtain different classifiers and combine the predictions to obtain a final decision.

Kết quả (Việt) 1:

Đối với một ứng dụng cụ thể, các tính năng lựa chọn thuật toán có thể được áp dụng và tốt nhất có thể được lựa chọn nào đáp ứng các tiêu chí cần thiết. Một vấn đề bị bỏ qua là sự ổn định của các tính năng lựa chọn thuật toán. Sự ổn định của một tính năng lựa chọn thuật toán có thể được xem như là sự thống nhất của một thuật toán để sản xuất một tập hợp các tính năng phù hợp khi mới đào tạo mẫu được thêm vào hoặc khi một số đào tạo mẫu gỡ bỏ [68,70-73]. Nếu các thuật toán sản xuất một tập hợp con khác nhau cho bất kỳ nhiễu loạn trong dữ liệu đào tạo, sau đó thuật toán đó trở nên không đáng tin cậy cho lựa chọn tính năng. Ví dụ về instabilities được chứng minh trong [70,73] mà có thể được kiểm chứng bằng cách thay đổi các thiết lập đào tạo và chạy các thuật toán một lần nữa. [70], wrapper kỹ thuật được sử dụng để nghiên cứu sự mất ổn định của họ và ổn định các biện pháp được giới thiệu cùng với các giải pháp có thể để làm giảm bớt vấn đề. Các biện pháp khác nhau được thành lập năm [68,70-72] để đánh giá khác nhau tập con thu được cho một số lượng nhất định của chạy. Sử dụng các biện pháp, một tập hợp con mạnh mẽ hơn có thể được tìm thấy cho datasets khác nhau. [73] phản ứng tổng hợp multicriterion thuật toán được phát triển mà sử dụng nhiều tính năng lựa chọn thuật toán xếp hạng/ghi các tính năng mà được kết hợp để có được một tập hợp con mạnh mẽ dựa trên kết hợp máy phân loại nhiều để cải thiện tính chính xác. Trong [74] tác giả cũng cho thấy cách chia các tính năng đầu vào (dựa trên của họ thủ tục khai thác tính năng) để có được máy phân loại khác nhau và kết hợp dự báo để có được một quyết định cuối cùng.

Kết quả (Việt) 2:

Đối với một ứng dụng cụ thể, thuật toán lựa chọn tính năng khác nhau có thể được áp dụng và tốt nhất có thể được lựa chọn theo các tiêu chí đáp ứng yêu cầu. Một vấn đề bị bỏ qua là sự ổn định của thuật toán lựa chọn tính năng. Tính ổn định của một thuật toán lựa chọn tính năng có thể được xem như sự phù hợp của một thuật toán để sản xuất một tính năng tập hợp phù hợp khi mẫu huấn luyện mới được thêm vào hoặc khi một số mẫu huấn luyện được loại bỏ [68,70-73]. Nếu thuật toán tạo ra một tập hợp khác nhau cho bất kỳ nhiễu loạn trong dữ liệu huấn luyện, sau đó thuật toán mà trở nên không đáng tin cậy để lựa chọn tính năng. Ví dụ về những bất ổn được chứng minh trong [70,73] mà có thể được xác nhận bằng cách thay đổi các thiết lập đào tạo và chạy các thuật toán nữa. Trong [70], kỹ thuật wrapper được sử dụng để nghiên cứu sự bất ổn và sự ổn định các biện pháp của họ được giới thiệu cùng với các giải pháp có thể để giảm bớt vấn đề. Các biện pháp khác nhau được thành lập vào [68,70-72] để đánh giá tập con khác nhau thu được cho một số lượng nhất định các pha chạy. Sử dụng các biện pháp này, một tập hợp con mạnh mẽ hơn có thể được tìm thấy cho các bộ dữ liệu khác nhau. Trong [73] multicriterion thuật toán hợp nhất được phát triển trong đó sử dụng nhiều thuật toán lựa chọn tính năng để xếp hạng / ghi các tính năng được kết hợp để có được một tập hợp mạnh mẽ dựa trên kết hợp nhiều phân loại để tăng độ chính xác. Trong [74] tác giả cũng cho thấy cách chia tính năng đầu vào (dựa trên các thủ tục khai thác tính năng của họ) để có được phân loại khác nhau và kết hợp các dự đoán để có được một quyết định cuối cùng.