의미 적 의미를 유지하는 도메인에 구애받지 않는 기능 엔지니어링?

12

형상 공학은 종종 기계 학습에 중요한 구성 요소입니다 ( 2010 년 KDD 컵 우승에 크게 사용됨 ). 그러나 대부분의 기능 엔지니어링 기술은

기본 기능의 직관적 인 의미를 파괴하거나
특정 도메인 또는 특정 유형의 기능에 매우 구체적입니다.

전자의 전형적인 예는 주성분 분석입니다. 주제 관련 전문가가 해당 기능에 대해 알고있는 지식은 해당 기능을 주요 구성 요소로 변환하여 파괴 될 수 있습니다.

날짜를 "월요일"및 "요일"의 기능으로 변환하는 간단한 기술을 사용하십시오. 근본적인 의미는 여전히 새로운 기능에서 유지되지만 분명히이 특정 기술은 임의의 기능이 아닌 날짜에만 적용됩니다.

기본 기능의 의미를 손상시키지 않으면 서 임의의 도메인 (또는 적어도 다양한 도메인)에도 적용 할 수있는 표준 기능 엔지니어링 기술이 있습니까?

predictive-models feature-selection feature-construction

— 마이클 맥고완
소스

2

PCA는 때때로 고유면과 같은 기능에 대한 직관적 인 의미를 찾기 위해 사용될 수 있습니다 .

— tdc

당신이 염두에 둔 데이터의 예를 좀 더 줄 수 있습니까? 응용 프로그램에 대해 더 구체적으로 설명 할 수 있다면 (임의의 예조차도) 정확한 답변을 제공하는 것이 더 쉽습니다.

— Dov

1

@Dov 글쎄요, 요점은 (이상적으로) 거의 모든 구조화 된 테이블 형식 데이터 세트 (데이터 포인트 및 기능이있는 데이터 세트)에서 작동 할 수있는 무언가를 원한다는 것입니다. 이 판매 데이터, 재무 데이터, 약물 검색 데이터, 야구 데이터 등이 될 수 있도록

— 마이클 맥고완

7

나는 당신과 같은 시나리오에서 유용 할 수있는 하나의 분해 방법을 알고 있습니다 (그러나 아마도 더있을 수도 있습니다 ...). 분해 (즉, 요인)에 의미가있는 고차 분해 방법 인 2D-PCA와 같습니다. 예제를보고 여기 와 여기를 읽고 여기 에서 시도해 볼 수 있습니다

— 도브
소스

+ 나는 내가 영어를 모국어로 사용하는 사람이 아니라는 것을 용서해주세요 :)

— Dov

내가 들었던 바에 따르면, PCA의 마지막 단계는 주요 교구에 대한 의미를 찾으려고 시도해야합니다.

— jb.

5

Restricted Boltzmann Machine을 사용하는 최근의 딥 러닝 방법은 여러 데이터 유형 (오디오, 이미지, 텍스트)에서 훌륭한 기능을 보여주었습니다.

이러한 방법은 생성 모델을 생성하기 때문에 모델에서 실제로 훌륭한 샘플을 생성 할 수 있습니다.

Hinton의 간행물을 확인하십시오. http://www.cs.toronto.edu/~hinton/

이러한 방법은 완전히 일반적인 것은 아니지만 (모든 데이터에서 동일한 코드를 실행) 기본 모델은 일반적으로 비슷합니다.

— 란
소스