Since the input features may be mut

Since the input features may be mutually dependent, the different algorithms may find different
feature sets. To measure the goodness of these selected feature sets, we calculate the mean 20-fold score. As described in Section 7-2, our scoring is carefully designed to avoid overfitting,
so that the smaller the score, the better the corresponding feature set is.
To confirm the consistency, we test the four algorithms in all the twelve domains from StatLib and UCI. For each domain, we apply the algorithms to two datasets. Both of the datasets are generated based on the same raw data file, but with different numbers of corrupted features and independent noise.
And for each dataset, we try three function approximators, nearest neighbor (Nearest), locally
weighted linear regression (LocLin) and global linear regression (GlbLin). For the sake of conciseness, we only list the ratios. If a ratio is close to 1.0, the corresponding algorithm’s performance is not significantly different from that of FS. The experimental results are shown in
Table 7-3. In addition, we also list the ratios of the number of seconds consumed by the greedier
algorithms to that of FS.

Kết quả (Việt) 1:

Kể từ khi các tính năng đầu vào có thể phụ thuộc lẫn nhau, các thuật toán khác nhau có thể tìm thấy khác nhaubộ tính năng. Để đo tốt đẹp của các bộ tính năng đã chọn, chúng tôi tính toán trung bình 20-fold điểm. Như được mô tả trong phần 7-2, chúng tôi ghi được một cách cẩn thận thiết kế để tránh overfitting,do đó nhỏ hơn số điểm, thì tốt hơn tính năng tương ứng thiết lập là. Để xác nhận sự thống nhất, chúng tôi kiểm tra các thuật toán bốn trong tất cả các lĩnh vực mười hai từ StatLib và UCI. Cho mỗi tên miền, chúng tôi áp dụng các thuật toán cho datasets hai. Cả hai của các datasets được tạo ra dựa trên cùng một tập tin dữ liệu thô, nhưng với các con số khác nhau của tính năng bị hỏng và độc lập tiếng ồn.Và cho mỗi bộ dữ liệu, chúng tôi cố gắng ba-chức năng-approximators gần nhất hàng xóm (gần nhất), tại địa phươnghồi quy tuyến tính trọng (LocLin) và hồi quy tuyến tính toàn cầu (GlbLin). Vì lợi ích của conciseness, chúng tôi chỉ liệt kê các tỷ lệ. Nếu một tỷ lệ là gần gũi với 1.0, hiệu suất của thuật toán tương ứng là không đáng kể khác với FS. Các kết quả thử nghiệm được hiển thị trongBảng 7-3. Ngoài ra, chúng tôi cũng liệt kê các tỷ lệ của số giây tiêu thụ bởi các greedierthuật toán của FS.

Kết quả (Việt) 2:

Kể từ khi tính năng đầu vào có thể phụ thuộc lẫn nhau, các thuật toán khác nhau có thể tìm thấy khác nhau
bộ tính năng. Để đo lường sự tốt lành của các bộ tính năng lựa chọn, chúng tôi tính toán số điểm 20 lần bình. Như đã mô tả trong phần 7-2, điểm của chúng tôi được thiết kế một cách cẩn thận để tránh overfitting,
vì vậy mà nhỏ hơn điểm số, thì tốt hơn các tính năng thiết lập tương ứng là.
Để khẳng định sự nhất quán, chúng tôi kiểm tra bốn thuật toán trong tất cả các lĩnh vực từ mười hai StatLib và UCI. Đối với từng lĩnh vực, chúng tôi áp dụng các thuật toán để hai tập dữ liệu. Cả hai bộ dữ liệu đang được tạo ra dựa trên cùng một tập tin dữ liệu thô, nhưng với số lượng khác nhau của các tính năng hỏng và tiếng ồn độc lập.
Và đối với mỗi bộ dữ liệu, chúng tôi cố gắng ba xấp xỉ hàm, láng giềng gần nhất (gần), tại địa phương
trọng hồi quy tuyến tính (LocLin) và hồi quy tuyến tính toàn cầu (GlbLin). Vì lợi ích của súc tích, chúng ta chỉ có danh sách các tỷ lệ. Nếu một tỷ lệ gần 1.0, hiệu suất của thuật toán tương ứng là không khác nhau đáng kể từ đó của FS. Kết quả thí nghiệm được trình bày trong
Bảng 7-3. Ngoài ra, chúng tôi cũng cung các tỷ lệ của số giây được tiêu thụ bởi những tham lam hơn
các thuật toán đó của FS.