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 /
сукцессия микоризы: основная теория в виде двух уравнений. anaschu 11.01.2026 https:/ / rutube. ru/ video/ 7a537f578d808e67a3c6fd818a44a5c4/	WordPad для Windows 11 Jel 10.01.2026 WordPad для Windows 11 — это приложение, которое восстанавливает классический текстовый редактор WordPad в операционной системе Windows 11. После того как Microsoft исключила WordPad из. . .	Classic Notepad for Windows 11 Jel 10.01.2026 Old Classic Notepad for Windows 11 Приложение для Windows 11, позволяющее пользователям вернуть классическую версию текстового редактора «Блокнот» из Windows 10. Программа предоставляет более. . .	Почему дизайн решает? Neotwalker 09.01.2026 В современном мире, где конкуренция за внимание потребителя достигла пика, дизайн становится мощным инструментом для успеха бренда. Это не просто красивый внешний вид продукта или сайта — это. . .
Модель микоризы: классовый агентный подход 3 anaschu 06.01.2026 aa0a7f55b50dd51c5ec569d2d10c54f6/ O1rJuneU_ls https:/ / vkvideo. ru/ video-115721503_456239114	Owen Logic: О недопустимости использования связки «аналоговый ПИД» + RegKZR ФедосеевПавел 06.01.2026 Owen Logic: О недопустимости использования связки «аналоговый ПИД» + RegKZR ВВЕДЕНИЕ Введу сокращения: аналоговый ПИД — ПИД регулятор с управляющим выходом в виде числа в диапазоне от 0% до. . .	Модель микоризы: классовый агентный подход 2 anaschu 06.01.2026 репозиторий https:/ / github. com/ shumilovas/ fungi ветка по-частям. коммит Create переделка под биомассу. txt вход sc, но sm считается внутри мицелия. кстати, обьем тоже должен там считаться. . . .	Расчёт токов в цепи постоянного тока igorrr37 05.01.2026 / * Дана цепь постоянного тока с сопротивлениями и источниками (напряжения, ЭДС и тока). Найти токи и напряжения во всех элементах. Программа составляет систему уравнений по 1 и 2 законам Кирхгофа и. . .

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

	Определение признаков (feature selection) 26.06.2018, 22:49. Показов 1005. 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