Изменения

*Специфичны для каждого алгоритма

===Схема встроенного метода===

===Пример: случайный лес===

*Учитывать число вхождений признака в дерево.

*Учитывать глубину вершины вхождения признака в дерево.

===Пример: SVM-RFE===

#Обучить SVM на обучающем подмножестве

оптимизации для поиска оптимального подмножества признаков.

===Схема метода-обертки===

===Классификация методов-оберток===

*Детерминированные:

*правило обрезки κ определяет, какие признаки удалить на основе μ

===Схема фильтрующих методов===

===Классификация фильтрующих методов===

*Одномерные (univariate):

===Корреляция===

Коэффициент корреляции Пирсона

Коэффициент корреляции Спирмана

#Отсортировать объекты двумя способами (по каждому из признаков).

*затем применим метод-обертку или встроенный метод

===Схема гибридного подхода===

===Ансамблирование в выборе признаков===

Подход к ансамблированию состоит в построении ансамбля алгоритмов выбора

признаков

===Ансамбль на уровне моделей===

Строим ансамбль предсказательных моделей

===Ансамбль на уровне ранжирований===

Объединяем ранжирования

===Ансамбль на уровне мер значимости===

Объединяем меры значимости

===Анализ гибридных и ансамблирующих методов===

Преимущества: