Определение признаков (feature selection)

@MrSergey86 · Регистрация: 24.06.2018

Студворк — интернет-сервис помощи студентам

Коллеги, здравствуйте!

Подскажите пожалуйста по следующему вопросу. Есть такое определение как feature selection, трактуется как определение признаков, которые наиболее показательно влияют на выходную переменную. В интернете указано несколько подходов, которые позволяют их выявить - одномерный отбор признаков, рекурсивное исключение признаков, метод главных компонент, отбор на основе важности признаков, случайный. Вопрос следующий (хочу до конца прояснить), feature selection - это признаки, которые показывают с какой вероятностью они влияют на выходной результат? Или это признаки, которые требуется оставить, а остальные удалить, в силу их ненужности? Какое основное предназначение? Также, возможно кто то поделится своими подходами для определения нужных признаков, вычисления вероятности их влияния на результат.

@passant · 27.06.2018, 09:54

feature selection - это ОТБОР признаков, а не определние, но это терминология.
По сути, правильный ответ вы сами дали: это отбор признаков, наиболее сильно влияющие на результат.Можно еще сказать и так - такие, которые минимизируют "необъясненную" моделью часть данных. Посему - ни о какой "вероятности влияния" на результат речи не идет.
Подходы вы тоже перечислили основные, добавить практически нечего.

@MrSergey86 · 27.06.2018, 12:14 **[ТС]**

То есть, те цифры, которые выдают методы нельзя отнести к величине влияния и что тогда они показывают? Условно Признак1 - 0.5, Признак2 - 0.3 и Признак3 - 0.2. Получается, если в нашей модели 15 признаков и наиболее сильное влияние оказывает 5 из них, то оставшиеся 10 можно смело убирать?

@passant · 27.06.2018, 15:20

"Смело убрать" - нельзя. Простой вопрос - почему решено оставить 5, а не 4 или 6? Ради круглого числа? Может - вообще ничего убирать нельзя, а может - можно оставить только один признак, а остальные - выкинуть. Поэтому, прежде чем убирать, надо хорошо подумать-посчитать, на сколько увеличиться-уменьшится ошибка модели при этом. А уж потом - выкидывать или нет. Общего правила для этого - нет.

Новые блоги и статьи Все статьи Все блоги /
SDL3 для Desktop (MinGW): Рисуем цветные прямоугольники с помощью рисовальщика SDL3 на Си и C++ 8Observer8 17.03.2026 Содержание блога Финальные проекты на Си и на C++: finish-rectangles-sdl3-c. zip finish-rectangles-sdl3-cpp. zip	Символические и жёсткие ссылки в Linux. algri14 15.03.2026 Существует два типа ссылок — символические и жёсткие. Ссылка в Linux — это запись в каталоге, которая может указывать либо на inode «файла-ИСТОЧНИКА», тогда это будет «жёсткая ссылка» (hard link),. . .	[Owen Logic] Поддержание уровня воды в резервуаре количеством включённых насосов: моделирование и выбор регулятора ФедосеевПавел 14.03.2026 Поддержание уровня воды в резервуаре количеством включённых насосов: моделирование и выбор регулятора ВВЕДЕНИЕ Выполняя задание на управление насосной группой заполнения резервуара,. . .	делаю науч статью по влиянию грибов на сукцессию anaschu 13.03.2026 прикрепляю статью
SDL3 для Desktop (MinGW): Создаём пустое окно с нуля для 2D-графики на SDL3, Си и C++ 8Observer8 10.03.2026 Содержание блога Финальные проекты на Си и на C++: hello-sdl3-c. zip hello-sdl3-cpp. zip Результат:	Установка CMake и MinGW 13.1 для сборки С и C++ приложений из консоли и из Qt Creator в EXE 8Observer8 10.03.2026 Содержание блога MinGW - это коллекция инструментов для сборки приложений в EXE. CMake - это система сборки приложений. Здесь описаны базовые шаги для старта программирования с помощью CMake и. . .	Как дизайн сайта влияет на конверсию: 7 решений, которые реально повышают заявки Neotwalker 08.03.2026 Многие до сих пор воспринимают дизайн сайта как “красивую оболочку”. На практике всё иначе: дизайн напрямую влияет на то, оставит человек заявку или уйдёт через несколько секунд. Даже если у вас. . .	Модульная разработка через nuget packages DevAlt 07.03.2026 Сложившийся в . Net-среде способ разработки чаще всего предполагает монорепозиторий в котором находятся все исходники. При создании нового решения, мы просто добавляем нужные проекты и имеем. . .

@MrSergey86 0 / 0 / 0 Регистрация: 24.06.2018 Сообщений: 23

	Определение признаков (feature selection) 26.06.2018, 22:49. Показов 1012. Ответов 3 Метки нет (Все метки) Коллеги, здравствуйте! Подскажите пожалуйста по следующему вопросу. Есть такое определение как feature selection, трактуется как определение признаков, которые наиболее показательно влияют на выходную переменную. В интернете указано несколько подходов, которые позволяют их выявить - одномерный отбор признаков, рекурсивное исключение признаков, метод главных компонент, отбор на основе важности признаков, случайный. Вопрос следующий (хочу до конца прояснить), feature selection - это признаки, которые показывают с какой вероятностью они влияют на выходной результат? Или это признаки, которые требуется оставить, а остальные удалить, в силу их ненужности? Какое основное предназначение? Также, возможно кто то поделится своими подходами для определения нужных признаков, вычисления вероятности их влияния на результат. 0

@passant 578 / 411 / 69 Регистрация: 09.01.2018 Сообщений: 1,363
	27.06.2018, 09:54
	feature selection - это ОТБОР признаков, а не определние, но это терминология. По сути, правильный ответ вы сами дали: это отбор признаков, наиболее сильно влияющие на результат.Можно еще сказать и так - такие, которые минимизируют "необъясненную" моделью часть данных. Посему - ни о какой "вероятности влияния" на результат речи не идет. Подходы вы тоже перечислили основные, добавить практически нечего. 0

@MrSergey86 0 / 0 / 0 Регистрация: 24.06.2018 Сообщений: 23
	27.06.2018, 12:14 [ТС]
	То есть, те цифры, которые выдают методы нельзя отнести к величине влияния и что тогда они показывают? Условно Признак1 - 0.5, Признак2 - 0.3 и Признак3 - 0.2. Получается, если в нашей модели 15 признаков и наиболее сильное влияние оказывает 5 из них, то оставшиеся 10 можно смело убирать? 0

@passant 578 / 411 / 69 Регистрация: 09.01.2018 Сообщений: 1,363
	27.06.2018, 15:20
	"Смело убрать" - нельзя. Простой вопрос - почему решено оставить 5, а не 4 или 6? Ради круглого числа? Может - вообще ничего убирать нельзя, а может - можно оставить только один признак, а остальные - выкинуть. Поэтому, прежде чем убирать, надо хорошо подумать-посчитать, на сколько увеличиться-уменьшится ошибка модели при этом. А уж потом - выкидывать или нет. Общего правила для этого - нет. 0