Обсуждение участника:Gen05 — различия между версиями

Материал из Викиконспекты
Перейти к: навигация, поиск
(Создан заголовок)
 
(не показаны 4 промежуточные версии этого же участника)
Строка 1: Строка 1:
 
== Выбор признаков (Feature selection) ==
 
== Выбор признаков (Feature selection) ==
 +
 +
== Уменьшение размерности ==
 +
 +
 +
===Задача уменьшения размерности===
 +
 +
Объекты описаны признаками F = (f1, . . . , fn).
 +
Задачей является построить множество признаков G = (g1, . . . , gk) : k < n (часто
 +
k ≪ n), переход к которым сопровождается наименьшей потерей
 +
информации.
 +
*Ускорение обучения и обработки
 +
*Борьба с шумом и мультиколлинеарностью
 +
*Интерпретация и визуализация данных
 +
===Проклятие размерности (curse of dimensionality)===
 +
Проклятие размерности (curse of dimensionality) — это набор
 +
проблем, возникающих с ростом размерности
 +
*Увеличиваются требования к памяти и вычислительной мощности
 +
*Данные становятся более разреженными
 +
*Проще найти гипотезы, не имеющие отношения к реальности
 +
===Ситуации применения===
 +
Уменьшение размерности — шаг в предобработке данных
 +
*Меньше памяти для хранения
 +
*Уменьшение времени обработки
 +
*Увеличение качества обработки
 +
*Понимание природы признаков
 +
===Методы уменьшения размерности===
 +
НУЖНО ВСТАВИТЬ КАРТИНКУ 1
 +
===Два основных подхода уменьшения размерности===
 +
Выбор признаков (feature selection) включает методы, для которых
 +
G ⊂ F. Они
 +
*быстро работают;
 +
*не могут «выдумывать» сложных признаков.
 +
Извлечение признаков (feature extraction) включает все другие
 +
методы (в том числе даже те, у которых k > n).
 +
*в целом, дольше работают;
 +
*могут извлекать сложные признаки.
 +
===Цели извлечения и выбора признаков===
 +
====Цель извлечения признаков:====
 +
*Уменьшение числа ресурсов, требуемых для обработки больших наборов
 +
данных
 +
*Поиск новых признаков
 +
*Эти признаки могут быть линейными и нелинейными относительно исходных
 +
====Цели выбора признаков:====
 +
*Уменьшение переобучения и улучшение качества предсказания
 +
*Улучшение понимания моделей
 +
===Типы ненужных признаков===
 +
Существуют также два типа признаков, которые не являются необходимыми:
 +
*Избыточные (redundant) признаки не привносят
 +
дополнительной информации относительно существующих
 +
*Нерелевантные (irrelevant) признаки просто
 +
неинформативны
 +
==Встроенные методы==
 +
===Классификация методов выбора признаков===
 +
*Встроенные методы (embedded)
 +
*Фильтрующие методы (filter)
 +
**Одномерные (univariate)
 +
**Многомерные (multivariate)
 +
*Методы-обертки (wrapper)
 +
**Детерминированные (deterministic)
 +
**Стохастические (stochastic)
 +
*Гибридные и ансамблирующие методы
 +
===Встроенные методы===
 +
Встроенные методы (embedded methods) — это методы выбора
 +
признаков, при которых этот выбор осуществляется в процессе работы
 +
других алгоритмов (классификаторов и регрессоров)
 +
*Опираются на конкретный алгоритм
 +
*Специфичны для каждого алгоритма
 +
===Схема встроенного метода===
 +
ВСТАВИТЬ КАРТИНКУ 2
 +
===Пример: случайный лес===
 +
*Учитывать число вхождений признака в дерево.
 +
*Учитывать глубину вершины вхождения признака в дерево.
 +
ВСТАВИТЬ КАРТИНКУ 3
 +
===Пример: SVM-RFE===
 +
#Обучить SVM на обучающем подмножестве
 +
#Установить веса признаков, равными модулям соответствующих коэффициентов
 +
#Отранжировать признаки согласно их весам
 +
#Выбросить некоторое число признаков с наименьшими весами
 +
#Повторять, пока не останется нужное число признаков
 +
==Методы-обертки==
 +
Метод-обертка (wrapper method) использует алгоритм
 +
(классификатор или регрессор) для оценки качества получаемого
 +
подмножества признаков и использует алгоритмы дискретной
 +
оптимизации для поиска оптимального подмножества признаков.
 +
===Схема метода-обертки===
 +
ВСТАВИТЬ КАРТИНКУ 4
 +
===Классификация методов-оберток===
 +
*Детерминированные:
 +
**SFS (sequential forward selection)
 +
**SBE (sequential backward elimination)
 +
**SVM-RFE
 +
**Перестановочная полезность (Permutation importance)
 +
*Стохастические — сводят задачу выбора признаков к задаче
 +
оптимизации в пространстве бинарных векторов:
 +
*Поиск восхождением на холм
 +
**Генетические алгоритмы
 +
**. . .
 +
===Анализ методов-оберток===
 +
Достоинства:
 +
*Более высокая точность, чем у фильтров
 +
*Используют отношения между признаками
 +
*Оптимизируют качество предсказательной модели в явном виде
 +
Недостатки:
 +
*Очень долго работают
 +
*Могут переобучиться при неправильной работе с разбиением набора данных
 +
==Фильтры==
 +
Фильтры (filter methods) оценивают качество отдельных признаков или
 +
подмножеств признаков и удаляют худшие
 +
 +
Две компоненты:
 +
*мера значимости признаков μ
 +
*правило обрезки κ определяет, какие признаки удалить на основе μ
 +
===Схема фильтрующих методов===
 +
ВСТАВИТЬ КАРТИНКУ 5
 +
===Классификация фильтрующих методов===
 +
*Одномерные (univariate):
 +
**Евклидово расстояние
 +
**Коэффициент корреляции (Пирсона или Спирмена)
 +
**Попарные расстояния (внутренние или внешние)
 +
**Условная дисперсия
 +
**Прирост информации (IG)
 +
**Индекс Джини
 +
**χ2
 +
*Многомерные (multivariate):
 +
**Выбор признаков на основе корреляций (CFS)
 +
**Фильтр марковского одеяла (MBF)
 +
===Корреляция===
 +
Коэффициент корреляции Пирсона
 +
Вставить формулу КАРТИНКА 6
 +
Коэффициент корреляции Спирмана
 +
#Отсортировать объекты двумя способами (по каждому из признаков).
 +
#Найти ранги объектов для каждой сортировки.
 +
#Вычислить корреляцию Пирсона между векторами рангов.
 +
===Правило обрезки κ===
 +
*Число признаков
 +
*Порог значимости признаков
 +
*Интегральный порог значимости признаков
 +
*Метод сломанной трости
 +
*Метод локтя
 +
===Анализ одномерных фильтров===
 +
Преимущества:
 +
*Исключительно быстро работают
 +
*Позволяют оценивать значимость каждого признака
 +
Недостатки:
 +
*Порог значимости признаков
 +
*Игнорируют отношения между признаками и то, что реально использует
 +
предсказательная модель
 +
===Анализ многомерных фильтров===
 +
Преимущества:
 +
*Работают достаточно быстро
 +
*Учитывают отношения между признаками
 +
Недостатки:
 +
*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===
 +
КАРТИНКА 7
 +
===Ансамблирование в выборе признаков===
 +
Подход к ансамблированию состоит в построении ансамбля алгоритмов выбора
 +
признаков
 +
КАРТИНКА 8
 +
===Ансамбль на уровне моделей===
 +
Строим ансамбль предсказательных моделей
 +
КАРТИНКА 9
 +
===Ансамбль на уровне ранжирований===
 +
Объединяем ранжирования
 +
КАРТИНКА 10
 +
===Ансамбль на уровне мер значимости===
 +
Объединяем меры значимости
 +
КАРТИНКА 11
 +
===Анализ гибридных и ансамблирующих методов===
 +
Преимущества:
 +
*Чаще всего лучше по времени и по качеству
 +
Недостатки:
 +
*Иногда теряется интерпретируемость
 +
*Иногда требуется заботиться о проблеме переобучения

Версия 22:57, 26 июня 2022

Содержание

Выбор признаков (Feature selection)

Уменьшение размерности

Задача уменьшения размерности

Объекты описаны признаками F = (f1, . . . , fn). Задачей является построить множество признаков G = (g1, . . . , gk) : k < n (часто k ≪ n), переход к которым сопровождается наименьшей потерей информации.

  • Ускорение обучения и обработки
  • Борьба с шумом и мультиколлинеарностью
  • Интерпретация и визуализация данных

Проклятие размерности (curse of dimensionality)

Проклятие размерности (curse of dimensionality) — это набор проблем, возникающих с ростом размерности

  • Увеличиваются требования к памяти и вычислительной мощности
  • Данные становятся более разреженными
  • Проще найти гипотезы, не имеющие отношения к реальности

Ситуации применения

Уменьшение размерности — шаг в предобработке данных

  • Меньше памяти для хранения
  • Уменьшение времени обработки
  • Увеличение качества обработки
  • Понимание природы признаков

Методы уменьшения размерности

НУЖНО ВСТАВИТЬ КАРТИНКУ 1

Два основных подхода уменьшения размерности

Выбор признаков (feature selection) включает методы, для которых G ⊂ F. Они

  • быстро работают;
  • не могут «выдумывать» сложных признаков.

Извлечение признаков (feature extraction) включает все другие методы (в том числе даже те, у которых k > n).

  • в целом, дольше работают;
  • могут извлекать сложные признаки.

Цели извлечения и выбора признаков

Цель извлечения признаков:

  • Уменьшение числа ресурсов, требуемых для обработки больших наборов

данных

  • Поиск новых признаков
  • Эти признаки могут быть линейными и нелинейными относительно исходных

Цели выбора признаков:

  • Уменьшение переобучения и улучшение качества предсказания
  • Улучшение понимания моделей

Типы ненужных признаков

Существуют также два типа признаков, которые не являются необходимыми:

  • Избыточные (redundant) признаки не привносят

дополнительной информации относительно существующих

  • Нерелевантные (irrelevant) признаки просто

неинформативны

Встроенные методы

Классификация методов выбора признаков

  • Встроенные методы (embedded)
  • Фильтрующие методы (filter)
    • Одномерные (univariate)
    • Многомерные (multivariate)
  • Методы-обертки (wrapper)
    • Детерминированные (deterministic)
    • Стохастические (stochastic)
  • Гибридные и ансамблирующие методы

Встроенные методы

Встроенные методы (embedded methods) — это методы выбора признаков, при которых этот выбор осуществляется в процессе работы других алгоритмов (классификаторов и регрессоров)

  • Опираются на конкретный алгоритм
  • Специфичны для каждого алгоритма

Схема встроенного метода

ВСТАВИТЬ КАРТИНКУ 2

Пример: случайный лес

  • Учитывать число вхождений признака в дерево.
  • Учитывать глубину вершины вхождения признака в дерево.

ВСТАВИТЬ КАРТИНКУ 3

Пример: SVM-RFE

  1. Обучить SVM на обучающем подмножестве
  2. Установить веса признаков, равными модулям соответствующих коэффициентов
  3. Отранжировать признаки согласно их весам
  4. Выбросить некоторое число признаков с наименьшими весами
  5. Повторять, пока не останется нужное число признаков

Методы-обертки

Метод-обертка (wrapper method) использует алгоритм (классификатор или регрессор) для оценки качества получаемого подмножества признаков и использует алгоритмы дискретной оптимизации для поиска оптимального подмножества признаков.

Схема метода-обертки

ВСТАВИТЬ КАРТИНКУ 4

Классификация методов-оберток

  • Детерминированные:
    • SFS (sequential forward selection)
    • SBE (sequential backward elimination)
    • SVM-RFE
    • Перестановочная полезность (Permutation importance)
  • Стохастические — сводят задачу выбора признаков к задаче

оптимизации в пространстве бинарных векторов:

  • Поиск восхождением на холм
    • Генетические алгоритмы
    • . . .

Анализ методов-оберток

Достоинства:

  • Более высокая точность, чем у фильтров
  • Используют отношения между признаками
  • Оптимизируют качество предсказательной модели в явном виде

Недостатки:

  • Очень долго работают
  • Могут переобучиться при неправильной работе с разбиением набора данных

Фильтры

Фильтры (filter methods) оценивают качество отдельных признаков или подмножеств признаков и удаляют худшие

Две компоненты:

  • мера значимости признаков μ
  • правило обрезки κ определяет, какие признаки удалить на основе μ

Схема фильтрующих методов

ВСТАВИТЬ КАРТИНКУ 5

Классификация фильтрующих методов

  • Одномерные (univariate):
    • Евклидово расстояние
    • Коэффициент корреляции (Пирсона или Спирмена)
    • Попарные расстояния (внутренние или внешние)
    • Условная дисперсия
    • Прирост информации (IG)
    • Индекс Джини
    • χ2
  • Многомерные (multivariate):
    • Выбор признаков на основе корреляций (CFS)
    • Фильтр марковского одеяла (MBF)

Корреляция

Коэффициент корреляции Пирсона Вставить формулу КАРТИНКА 6 Коэффициент корреляции Спирмана

  1. Отсортировать объекты двумя способами (по каждому из признаков).
  2. Найти ранги объектов для каждой сортировки.
  3. Вычислить корреляцию Пирсона между векторами рангов.

Правило обрезки κ

  • Число признаков
  • Порог значимости признаков
  • Интегральный порог значимости признаков
  • Метод сломанной трости
  • Метод локтя

Анализ одномерных фильтров

Преимущества:

  • Исключительно быстро работают
  • Позволяют оценивать значимость каждого признака

Недостатки:

  • Порог значимости признаков
  • Игнорируют отношения между признаками и то, что реально использует

предсказательная модель

Анализ многомерных фильтров

Преимущества:

  • Работают достаточно быстро
  • Учитывают отношения между признаками

Недостатки:

  • 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

КАРТИНКА 7

Ансамблирование в выборе признаков

Подход к ансамблированию состоит в построении ансамбля алгоритмов выбора признаков КАРТИНКА 8

Ансамбль на уровне моделей

Строим ансамбль предсказательных моделей КАРТИНКА 9

Ансамбль на уровне ранжирований

Объединяем ранжирования КАРТИНКА 10

Ансамбль на уровне мер значимости

Объединяем меры значимости КАРТИНКА 11

Анализ гибридных и ансамблирующих методов

Преимущества:

  • Чаще всего лучше по времени и по качеству

Недостатки:

  • Иногда теряется интерпретируемость
  • Иногда требуется заботиться о проблеме переобучения
Источник — «http://neerc.ifmo.ru/wiki/index.php?title=Обсуждение_участника:Gen05&oldid=82417»