La extracción de características y la selección de características no son incompatibles.
La extracción de características es como buscar oro. En la prospección, sumerges tu sartén en el agua y recoges un montón de lodo. La esperanza es que después de cambiarlo un poco, encuentres una pepita de oro. Con la extracción de características, la pepita de oro es una característica que “explica” mucho sobre los patrones en los datos. Es posible que otras características no expliquen nada acerca de los datos, y este es el lodo y las rocas que se arrojan al río.
La selección de funciones, por otro lado, es como tratar de averiguar si alguna de tus pepitas de oro es realmente oro de tontos. A veces, la extracción de características producirá una característica que parece explicar mucho sobre los datos, pero en realidad no lo hace. Depende de cada individuo seleccionar qué características cree que capturan la mayor cantidad de información sobre los datos.
- ¿Qué tipo de antecedentes estadísticos debo tener para tomar el curso de Reconocimiento de patrones? Cual estadística Qué libro es útil para mi preparación?
- ¿Por qué los lars y glmnet dan diferentes soluciones? ¿Cuál es mejor?
- ¿Qué tan fácil es aprender una función booleana con Descenso de gradiente usando un aprendizaje profundo?
- ¿Cómo son los cursos en edX sobre aprendizaje automático, ingeniería artificial y robótica para el empleo?
- ¿Cuáles son las propiedades utilizadas para agrupar partículas en tipos?
Para resumir, la extracción de características es el proceso de encontrar las características, la selección de características es el proceso de averiguar qué características son las más apropiadas para su problema particular.
