Обзор отбора признаков и его методов

В настоящее время, в эпоху цифровых технологий, объем данных, генерируемых различными приложениями, резко увеличивается как по числу строк, так и по числу столбцов. Это создает узкое место для аналитики и повышает нагрузку на алгоритмы машинного обучения, используемые для распознавания закономерностей. Проблему размерности можно решать с помощью методов снижения размерности. Снижение размерности (DR) может осуществляться двумя способами: отбором признаков (FS) и извлечением признаков (FE). В статье представлен обзор методов отбора признаков. На основании этого обширного обзора можно сделать вывод, что большинство методов FS используют статические данные. Однако с появлением Интернета вещей (IoT) и веб-приложений данные генерируются динамически и быстро увеличиваются в объеме, вследствие чего возрастает вероятность появления зашумленных данных; это также снижает эффективность алгоритмов. По мере увеличения размера набора данных масштабируемость методов FS оказывается под угрозой. Таким образом, существующие алгоритмы DR не решают проблемы, связанные с динамическими данными. Использование методов FS не только снижает нагрузку, связанную с обработкой данных, но и помогает предотвратить переобучение модели.