Método incorporado: realizan una selección variable como parte del procedimiento de aprendizaje y, por lo general, son específicos de máquinas de aprendizaje determinadas. Ejemplos son árboles de clasificación, bosques aleatorios.
- Pros: menos computacionalmente intensivo que los métodos de envoltura
- Contras: específico para una máquina de aprendizaje
Métodos de envoltura: estos métodos evalúan subconjuntos de variables de acuerdo con su utilidad para un predictor dado. El método realiza una búsqueda de un buen subconjunto utilizando el algoritmo de aprendizaje en sí como parte de la función de evaluación. El problema se reduce a un problema de búsqueda de espacio de estado estocástico. Por ejemplo, los métodos paso a paso en regresión lineal.
- Pros: interacción entre la búsqueda de subconjuntos de características y la selección de modelos, y la capacidad de tener en cuenta las dependencias de características
- Contras: mayor riesgo de sobreajuste que las técnicas de filtro y son muy computacionalmente intensivos, especialmente si la construcción del clasificador tiene un alto costo computacional
Fuente: Métodos de aprendizaje automático para bioinformática (Diapositivas de conferencias) (Página en ulb.ac.be)
Dr. Gianluca Bontempi
- ¿Cómo debe un principiante en Machine Learning enfocar una declaración de problema?
- ¿Puede una red neuronal convolucional tener pesos negativos?
- ¿Cuáles son los principales desafíos en el aprendizaje semi-supervisado?
- ¿Cuál es la diferencia entre SVM y ANN?
- ¿El análisis de sentimientos basado en léxico se considera un método no supervisado?