The main drawback of Wrapper method

The main drawback of Wrapper methods is the number of computations required to obtain the feature subset. For each subset evaluation, the predictor creates a new model i.e. the predictor is trained for each subset and tested to obtain the classifier accuracy. If the number of samples is large, most of the algorithm execution is spent in training the predictor. In some algorithms such as GA feature selection, the same feature subset might be evaluated multiple times since the classifier accuracies for evaluated subsets are not stored for future retrieval. Another drawback of using the classifier performance as the objective function is that the classifiers are prone to overfitting [8]. Overfitting occurs if the classifier model learns the data too well and provides poor generalization capability. The classifier can introduce bias and increases the classification error.
Using classification accuracy in subset selection can result in a bad feature subset with high accuracy but poor generalization power. To avoid this, a separate holdout test set can be used to guide the prediction accuracy of the search [8].

Kết quả (Việt) 1:

Nhược điểm chính của phương pháp Wrapper là một số tính toán cần thiết để có được tập hợp con của tính năng. Đối với mỗi tập con đánh giá, dự báo tạo ra một mô hình mới tức là yếu tố dự báo là đào tạo cho mỗi tập con và thử nghiệm để có được chính xác loại. Nếu số lượng mẫu là lớn, hầu hết thực hiện thuật toán là chi tiêu trong đào tạo yếu tố dự báo. Trong một số thuật toán chẳng hạn như lựa chọn tính năng GA, tập hợp tính năng tương tự có thể được đánh giá nhiều lần kể từ phàm loại cho tập con đánh giá không được lưu trữ để thu hồi trong tương lai. Nhược điểm khác của việc sử dụng hiệu suất loại như hàm mục tiêu là các máy phân loại được dễ bị overfitting [8]. Overfitting xảy ra nếu các mô hình loại học dữ liệu quá tốt và cung cấp khả năng kém tổng quát. Loại có thể giới thiệu thiên vị và tăng lỗi phân loại.Bằng cách sử dụng phân loại chính xác trong lựa chọn tập con có thể dẫn đến một tập hợp con xấu tính năng với độ chính xác cao nhưng quyền lực nghèo tổng quát. Để tránh điều này, bộ riêng biệt holdout thử nghiệm có thể được sử dụng để hướng dẫn sự dự đoán chính xác tìm kiếm [8].

Kết quả (Việt) 2:

Hạn chế chính của phương pháp Wrapper là số lượng tính toán cần thiết để có được những tính năng tập hợp con. Đối với mỗi tập con đánh giá, yếu tố tiên tạo ra một mô hình mới tức là các yếu tố dự báo được đào tạo cho mỗi tập hợp con và thử nghiệm để có được độ chính xác phân loại. Nếu số lượng mẫu lớn, hầu hết các thực thi thuật toán là chi tiêu trong đào tạo các yếu tố dự báo. Trong một số thuật toán như lựa chọn tính năng GA, cùng tính năng tập hợp con có thể được đánh giá nhiều lần kể từ khi độ chính xác phân loại cho các tập con đánh giá không được lưu trữ cho hồi trong tương lai. Một nhược điểm của việc sử dụng hiệu suất phân loại như là hàm mục tiêu là phân loại dễ bị overfitting [8]. Overfitting xảy ra nếu các mô hình phân loại học các dữ liệu quá kĩ và cung cấp khả năng khái quát nghèo. Bộ phân loại có thể giới thiệu sai lệch và làm tăng các lỗi phân loại.
Sử dụng độ chính xác phân loại trong việc lựa chọn tập hợp có thể dẫn đến một tính năng tập hợp con xấu với độ chính xác cao nhưng sức mạnh tổng quát nghèo. Để tránh điều này, một tập kiểm tra người hết riêng biệt có thể được sử dụng để hướng dẫn chính xác dự đoán của việc tìm kiếm [8].