Val av minsta redundansfunktion

Minsta redundansfunktionsurval är en algoritm som ofta används i en metod för att exakt identifiera egenskaper hos gener och fenotyper och begränsa deras relevans och beskrivs vanligtvis i sin parning med relevant funktionsval som Minimum Redundancy Maximum Relevance (mRMR).

Funktionsval , ett av de grundläggande problemen inom mönsterigenkänning och maskininlärning , identifierar delmängder av data som är relevanta för de parametrar som används och kallas normalt Maximal Relevance . Dessa delmängder innehåller ofta material som är relevant men redundant och mRMR försöker lösa detta problem genom att ta bort dessa redundanta delmängder. mRMR har en mängd olika tillämpningar inom många områden som cancerdiagnos och taligenkänning .

Funktioner kan väljas på många olika sätt. Ett schema är att välja egenskaper som korrelerar starkast med klassificeringsvariabeln . Detta har kallats för maximalt relevansval. Många heuristiska algoritmer kan användas, som sekventiellt framåt-, bakåt- eller flytande val.

Å andra sidan kan funktioner väljas så att de är ömsesidigt långt borta från varandra samtidigt som de fortfarande har "hög" korrelation till klassificeringsvariabeln. Detta schema, benämnt minimum redundans Maximum Relevance (mRMR) val har visat sig vara mer kraftfullt än valet av maximal relevans.

Som ett specialfall kan "korrelationen" ersättas av det statistiska beroendet mellan variabler. Ömsesidig information kan användas för att kvantifiera beroendet. I detta fall visas att mRMR är en approximation för att maximera beroendet mellan den gemensamma fördelningen av de valda egenskaperna och klassificeringsvariabeln.

Studier har prövat olika åtgärder för redundans och relevansåtgärder. En färsk studie jämförde flera åtgärder inom ramen för biomedicinska bilder.

externa länkar

Hämtad från " https://en.wikipedia.org/w/index.php?title=Minimum_redundancy_feature_selection&oldid=1072790840 "