The focus of feature selection is t

The focus of feature selection is to select a subset of variables from the input which can efficiently describe the input data while reducing effects from noise or irrelevant variables and still provide good prediction results [1]. One of the applications would be in gene microarray analysis [1–5]. The standardized gene expression data can contain hundreds of variables of
which many of them could be highly correlated with other variables (e.g. when two features are perfectly correlated, only one feature is sufficient to describe the data). The dependant variables provide no extra information about the classes and thus serve as noise for the predictor. This means that the total information content can be obtained from fewer unique features which contain maximum discrimination information about the classes. Hence by eliminating the dependent variables,
the amount of data can be reduced which can lead to improvement in the classification performance. In some applications, variables which have no correlation to the classes serve as pure noise might introduce bias in the predictor and reduce the classification performance. This can happen when there is a lack of information about the process being studied. By applying feature selection techniques we can gain some insight into the process and can improve the computation requirement and
prediction accuracy.

Kết quả (Việt) 1:

Trọng tâm của lựa chọn tính năng là để chọn một tập hợp con của biến từ đầu vào có thể hiệu quả mô tả đầu vào dữ liệu trong khi làm giảm tác dụng từ tiếng ồn hoặc biến không liên quan và vẫn còn cung cấp kết quả dự đoán tốt [1]. Một trong các ứng dụng sẽ là trong gen microarray phân tích [1-5]. Dữ liệu biểu hiện gen tiêu chuẩn hóa có thể chứa hàng trăm các biến củamà nhiều người trong số họ có thể được đánh giá cao tương quan với các biến khác (ví dụ như khi hai tính năng được hoàn toàn tương quan, chỉ một tính năng là đủ để mô tả các dữ liệu). Biến phụ thuộc cung cấp không có thông tin thêm về các lớp học và do đó phục vụ như là tiếng ồn cho dự báo. Điều này có nghĩa rằng nội dung tất cả các thông tin có thể được lấy từ ít tính năng độc đáo có chứa phân biệt đối xử tối đa thông tin về các lớp học. Do đó bằng cách loại bỏ các biến phụ thuộc,số lượng dữ liệu có thể được giảm có thể dẫn đến cải tiến hiệu suất phân loại. Trong một số ứng dụng, biến mà đã không tương quan của các lớp học phục vụ như tiếng ồn tinh khiết có thể giới thiệu thiên vị trong yếu tố dự báo và làm giảm hiệu suất phân loại. Điều này có thể xảy ra khi có một thiếu thông tin về quá trình đang được nghiên cứu. Bằng cách áp dụng tính năng lựa chọn kỹ thuật chúng tôi có thể đạt được một số sâu vào quá trình và có thể nâng cao yêu cầu tính toán vàdự đoán chính xác.

Kết quả (Việt) 2:

Trọng tâm của lựa chọn tính năng này là để chọn một tập hợp con của các biến từ đầu vào mà hiệu quả có thể mô tả các dữ liệu đầu vào trong khi giảm các hiệu ứng từ tiếng ồn hoặc biến không thích hợp và vẫn cung cấp các kết quả dự báo tốt [1]. Một trong những ứng dụng này sẽ được phân tích microarray gen [1-5]. Các dữ liệu biểu hiện gen tiêu chuẩn có thể chứa hàng trăm biến của
mà nhiều người trong số họ có thể có liên quan với các biến số khác (ví dụ như khi hai tính năng có tương quan hoàn toàn, chỉ có một tính năng là đủ để mô tả dữ liệu). Các biến phụ thuộc không cung cấp thêm thông tin về các lớp học và do đó phục vụ như là tiếng ồn cho các dự báo. Điều này có nghĩa rằng tổng số nội dung thông tin có thể được lấy từ ít tính năng độc đáo có chứa các thông tin phân biệt đối xử tối đa về các lớp học. Do đó bằng cách loại bỏ các biến phụ thuộc,
số lượng dữ liệu có thể được giảm mà có thể dẫn đến cải tiến trong việc thực hiện phân loại. Trong một số ứng dụng, các biến mà không có sự tương quan với các lớp học phục vụ tiếng ồn như tinh khiết có thể giới thiệu sai lệch trong việc dự báo và làm giảm hiệu suất phân loại. Điều này có thể xảy ra khi có một thiếu thông tin về tiến trình đang được nghiên cứu. Bằng cách áp dụng các kỹ thuật lựa chọn tính năng chúng ta có thể đạt được một số sâu vào quá trình này và có thể cải thiện các yêu cầu tính toán và
độ chính xác dự đoán.