More generally, since it applies eq

More generally, since it applies equally well to 2-class and multi-class problems, it is universally recognized that transforming the raw (measured) attributes in a classification problem can improve prediction performance; in many cases, the raw attributes are either irrelevant or not independent. Judicious combination and/or elimination of features can significantly enhance labeling performance. (Unfortunately, different – often contradictory– terms are used in the literature for this type of pattern processing. In this paper, we follow the terminology of Guyon & Ellisseeff [5] and term the general transformation process “feature extraction”; “feature construction” – the creation of new, more informative features, and “feature selection” – the selection of a more informative subset of features, are taken as (sometimes null) sub-tasks of the more general task of feature extraction.)

Kết quả (Việt) 1:

Thêm nói chung, kể từ khi nó áp dụng như nhau cũng để vấn đề 2 lớp và đa lớp, nó phổ được công nhận rằng việc chuyển đổi các thuộc tính nguyên (đo được) trong một vấn đề phân loại có thể cải thiện hiệu suất dự đoán; trong nhiều trường hợp, các thuộc tính nguyên là không thích hợp hoặc không độc lập. Sự kết hợp khôn ngoan và/hoặc loại bỏ các tính năng đáng kể có thể nâng cao hiệu suất ghi nhãn. (Thật không may, khác nhau-thường contradictory-điều khoản được sử dụng trong các tài liệu cho các loại mô hình xử lý. Trong bài báo này, chúng tôi làm theo thuật ngữ của Guyon & Ellisseeff [5] và quy trình tổng transformation "khai thác tính năng"; "xây dựng tính năng"-tạo ra các tính năng mới, nhiều thông tin hơn, và "lựa chọn tính năng"-sự lựa chọn của một tập hợp nhiều thông tin hơn trong tính năng, được dùng như là nhiệm vụ phụ (đôi khi null) nhiệm vụ tổng quát hơn khai thác tính năng.)

Kết quả (Việt) 2:

Tổng quát hơn, kể từ khi nó được áp dụng như nhau cho vấn đề 2 lớp và đa lớp, nó được thừa nhận rộng rãi rằng chuyển các nguyên liệu (đo) thuộc tính trong một vấn đề phân loại có thể cải thiện hiệu suất dự đoán; trong nhiều trường hợp, các thuộc tính nguyên hoặc là không thích hợp hoặc không độc lập. kết hợp đúng đắn và / hoặc loại bỏ các tính năng có thể nâng cao đáng kể hiệu suất ghi nhãn. (Thật không may, khác nhau - điều thường contradictory- được sử dụng trong các tài liệu này cho các loại xử lý mô hình Trong bài báo này, chúng tôi theo thuật ngữ của Guyon & Ellisseeff [5] và hạn quá trình chuyển đổi chung "tính năng trích xuất", "xây dựng tính năng. "- tạo ra các tính năng mới, nhiều thông tin hơn, và" lựa chọn tính năng "- lựa chọn của một tập hợp nhiều thông tin hơn về các tính năng, được lấy làm (đôi khi null) tiểu nhiệm vụ của nhiệm vụ tổng quát hơn về tính năng khai thác).