Computational methods of feature selection

دسته بندی: ریاضیات محاسباتی
ویرایش:  
نویسندگان: Huan Liu. Hiroshi Motoda  
سری: Chapman & Hall/CRC data mining and knowledge discovery series 
ISBN (شابک) : 1584888784, 9781584888796 
ناشر: Chapman & Hall/CRC 
سال نشر: 2008 
تعداد صفحات: 411 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 مگابایت 

قیمت کتاب (تومان) : 51,000

با توجه به افزایش تقاضا برای کاهش ابعاد، تحقیقات در مورد انتخاب ویژگی عمیقا و به طور گسترده در بسیاری از زمینه ها از جمله آمار محاسباتی، تشخیص الگو، یادگیری ماشین، داده کاوی و کشف دانش گسترش یافته است. روش‌های محاسباتی انتخاب ویژگی، با برجسته کردن موضوعات تحقیقاتی فعلی، مفاهیم و اصول اساسی، الگوریتم‌های پیشرفته و کاربردهای جدید این ابزار را معرفی می‌کند.

کتاب با کاوش در انتخاب ویژگی های بدون نظارت، تصادفی و علی شروع می شود. سپس در مورد برخی از نتایج اخیر از انتخاب ویژگی توانمند، از جمله انتخاب ویژگی فعال، تخمین مرز تصمیم، استفاده از مجموعه‌ها با پروب‌های مستقل، و انتخاب ویژگی افزایشی گزارش می‌دهد. این با بحث در مورد وزن دهی و روش های محلی، مانند خانواده ReliefF، خوشه بندی k-means، ارتباط ویژگی های محلی، و تفسیر جدیدی از Relief دنبال می شود. این کتاب متعاقباً طبقه‌بندی متن، امتیاز انتخاب ویژگی جدید، و انتخاب ویژگی مبتنی بر محدودیت و تهاجمی را پوشش می‌دهد. بخش آخر به بررسی کاربردهای انتخاب ویژگی در بیوانفورماتیک، از جمله ساخت ویژگی و همچنین انتخاب ویژگی‌های اضافی، مجموعه، و جریمه می‌پردازد.

از طریق ارائه واضح، مختصر و منسجم موضوعات، این جلد به طور سیستماتیک مفاهیم کلیدی، اصول اساسی و کاربردهای ابداعی انتخاب ویژگی را پوشش می‌دهد و نشان می‌دهد که چگونه این ابزار قدرتمند می‌تواند به طور کارآمد داده‌های عظیم و با ابعاد بالا را مهار کند و آن‌ها را تبدیل کند. به اطلاعات ارزشمند و قابل اعتماد

Due to increasing demands for dimensionality reduction, research on feature selection has deeply and widely expanded into many fields, including computational statistics, pattern recognition, machine learning, data mining, and knowledge discovery. Highlighting current research issues, Computational Methods of Feature Selection introduces the basic concepts and principles, state-of-the-art algorithms, and novel applications of this tool.

The book begins by exploring unsupervised, randomized, and causal feature selection. It then reports on some recent results of empowering feature selection, including active feature selection, decision-border estimate, the use of ensembles with independent probes, and incremental feature selection. This is followed by discussions of weighting and local methods, such as the ReliefF family, k -means clustering, local feature relevance, and a new interpretation of Relief. The book subsequently covers text classification, a new feature selection score, and both constraint-guided and aggressive feature selection. The final section examines applications of feature selection in bioinformatics, including feature construction as well as redundancy-, ensemble-, and penalty-based feature selection.

Through a clear, concise, and coherent presentation of topics, this volume systematically covers the key concepts, underlying principles, and inventive applications of feature selection, illustrating how this powerful tool can efficiently harness massive, high-dimensional data and turn it into valuable, reliable information.

Preface. Less Is More. Unsupervised Feature Selection. Randomized Feature Selection. Causal Feature Selection. Active Learning of Feature Relevance.A Study of Feature Extraction Techniques Based on Decision Border Estimate.Ensemble-Based Variable Selection Using Independent Probes.Efficient Incremental-Ranked Feature Selection in Massive Data.Non-Myopic Feature Quality Evaluation with (R)ReliefF.Weighting Method for Feature Selection in k-Means.Local Feature Selection for Classification.Feature Weighting through Local Learning.Feature Selection for Text Classification.A Bayesian Feature Selection Score Based on Naive Bayes Models.Pairwise Constraints-Guided Dimensionality Reduction.Aggressive Feature Selection by Feature Ranking.Feature Selection for Genomic Data Analysis.A Feature Generation Algorithm with Applications to Biological Sequence Classification.An Ensemble Method for Identifying Robust Features for Biomarker Discovery.Model Building and Feature Selection with Genomic Data. Index.