Feature selection algorithms evalua

Feature selection algorithms evaluate the input features using different techniques to output a smaller
subset. Since the number of the selected features is smaller than the number of the originals, feature selection results in a lower dimensional feature space. The selection procedure is based on either the evaluation of features on a specific classifier to find the best subset [6], or the ranking of features by a metric and elimination of the ones that are below the threshold value [7]. Feature selection methods depending on the former approach are known as wrapper methods, and methods depending on the latter approach are called filter methods. Using fewer but more distinctive features reduces the cost of pattern recognition algorithms’ computing power requirements and
enhances the results [8].

Kết quả (Việt) 1:

Tính năng lựa chọn thuật toán đánh giá các tính năng nhập bằng cách sử dụng kỹ thuật khác nhau để ra một nhỏ hơntập con. Kể từ khi số lượng các tính năng được chọn là nhỏ hơn so với số lượng bản gốc, lựa chọn tính năng kết quả trong một không gian chiều tính năng thấp hơn. Lựa chọn dựa trên hoặc là việc đánh giá các tính năng trên một loại cụ thể để tìm thấy tập hợp con tốt nhất [6], hoặc xếp hạng của các tính năng của một số liệu và loại bỏ những cái mà dưới giá trị ngưỡng [7]. Tính năng lựa chọn phương pháp tùy thuộc vào các phương pháp cũ được gọi là phương pháp wrapper, và phương pháp tùy thuộc vào cách tiếp cận thứ hai được gọi là bộ lọc phương pháp. Sử dụng tính năng ít hơn nhưng đặc biệt hơn làm giảm chi phí của nguyên tắc công nhận mô hình thuật toán máy tính yêu cầu nhân lực vàtăng cường kết quả [8].

Kết quả (Việt) 2:

Thuật toán lựa chọn tính năng đánh giá các đầu vào tính năng sử dụng các kỹ thuật khác nhau để ra một nhỏ
tập hợp con. Vì số lượng các tính năng được chọn là nhỏ hơn so với số lượng bản chính, kết quả lựa chọn tính năng trong một không gian đặc trưng chiều thấp hơn. Các thủ tục lựa chọn được dựa trên một trong hai việc đánh giá tính năng trên một phân loại cụ thể để tìm các tập con tốt nhất [6], hay thứ hạng của các tính năng của một thước đo và loại bỏ những cái được dưới giá trị ngưỡng [7]. Phương pháp lựa chọn tính năng tuỳ thuộc vào phương pháp trước đây được gọi là phương pháp bao bọc, và các phương pháp tùy thuộc vào cách tiếp cận sau này được gọi là phương pháp lọc. Sử dụng ít hơn nhưng đặc biệt hơn các tính năng làm giảm chi phí của các yêu cầu sức mạnh tính toán mô hình nhận dạng các thuật toán và
tăng cường các kết quả [8].