* Работают существенно дольше фильтров
* Не учитывают то, что реально использует предсказательная модель
=Гибриды и ансамбли=
==Гибридный подход==
Будем комбинировать подходы, чтобы использовать их сильные стороны
Самый частый вариант:
* сначала применим фильтр (или набор фильтров), отсеяв лишние признаки
* затем применим метод-обертку или встроенный метод
==Схема гибридного подхода==
[[Файл:Таблица_7.jpg|600px|thumb|right]]
==Ансамблирование в выборе признаков==
Подход к ансамблированию состоит в построении ансамбля алгоритмов выбора признаков
[[Файл:ТАблица_8.jpg|600px|thumb|right]]
==Ансамбль на уровне моделей==
Строим ансамбль предсказательных моделей
[[Файл:Таблица_9.jpg|600px|thumb|right]]
==Ансамбль на уровне ранжирований==
Объединяем ранжирования
[[Файл:Таблица_10.jpg|600px|thumb|right]]
==Ансамбль на уровне мер значимости==
Объединяем меры значимости
[[Файл:Таблица_11.jpg|600px|thumb|right]]
==Анализ гибридных и ансамблирующих методов==
Преимущества:
* Чаще всего лучше по времени и по качеству
Недостатки:
* Иногда теряется интерпретируемость
* Иногда требуется заботиться о проблеме переобучения
==Примечания==
<references/>
