Feature Selection for High-Dimensional Data

این کتاب یک رویکرد منسجم و جامع برای انتخاب زیرمجموعه ویژگی‌ها در حوزه مسائل طبقه‌بندی، توضیح مبانی، مشکلات کاربردی واقعی و چالش‌های انتخاب ویژگی برای داده‌های با ابعاد بالا ارائه می‌دهد.

نویسندگان ابتدا بر تجزیه و تحلیل و ترکیب الگوریتم‌های انتخاب ویژگی تمرکز می‌کنند و مروری جامع از مفاهیم اساسی و نتایج تجربی شناخته‌شده‌ترین الگوریتم‌ها ارائه می‌کنند.

سپس سناریوهای واقعی مختلف را با داده‌های با ابعاد بالا بررسی می‌کنند و استفاده از الگوریتم‌های انتخاب ویژگی را در زمینه‌های مختلف با نیازها و اطلاعات مختلف نشان می‌دهند: داده‌های ریزآرایه، تشخیص نفوذ، طبقه‌بندی لایه لیپیدی لایه اشک آور و بر اساس هزینه امکانات. کتاب سپس به سناریوی ابعاد بزرگ می پردازد و به مشکلات مهم در فضاهای با ابعاد بالا توجه می کند، مانند مقیاس پذیری، پردازش توزیع شده و پردازش در زمان واقعی، سناریوهایی که چالش های جدید و جالبی را برای محققان ایجاد می کند.

This book offers a coherent and comprehensive approach to feature subset selection in the scope of classification problems, explaining the foundations, real application problems and the challenges of feature selection for high-dimensional data.

The authors first focus on the analysis and synthesis of feature selection algorithms, presenting a comprehensive review of basic concepts and experimental results of the most well-known algorithms.

They then address different real scenarios with high-dimensional data, showing the use of feature selection algorithms in different contexts with different requirements and information: microarray data, intrusion detection, tear film lipid layer classification and cost-based features. The book then delves into the scenario of big dimension, paying attention to important problems under high-dimensional spaces, such as scalability, distributed processing and real-time processing, scenarios that open up new and interesting challenges for researchers.

The book is useful for practitioners, researchers and graduate students in the areas of machine learning and data mining.