Judul : Online Feature Selection( OFS )
Penulis : Steven C.H. Hoi, Jialei Wang , Zhao Peilin, Rong Jin.
Kegiatan :
Sebagian besar dari studi pembelajaran online membutuhkan mengakses semua atribut/fitur pelatihan.
Pengaturan klasik seperti tidak selalu tepat untuk aplikasi didunia nyata ketika kasus data dari dimensi tinggi atau akses untuk itu mahal untuk memperoleh set lengkap atribut / fitur
Untuk mengatasi keterbatasan ini , kami menyelidiki masalah Online Feature Selection( OFS ).
Masalah :
Online Feature Selection( OFS ), dimana belajar online hanya diperbolehkan untuk mempertahankan classifier yang terlibat kecil dan jumlah tetap fitur . Tantangan utama Online Fitur Seleksi adalah bagaimana membuat prediksi yang akurat menggunakan sejumlah kecil dan tetap fitur aktif . Hal ini berbeda ke setup klasik pembelajaran online dimana semua fitur aktif dan dapat digunakan untuk prediksi .
Kombinasi :
Tujuan dari seleksi fitur adalah untuk memilih subset dari fitur yang relevan untuk membangun model prediksi yang efektif. Dengan menghapus fitur yang tidak relevan, seleksi fitur dapat meningkatkan kinerja model prediksi dan generalisasi, mempercepat proses belajar, dan meningkatkan model interpretability.
Metode :
Online Feature Selection( OFS ) bertujuan untuk memecahkan masalah seleksi fitur oleh pendekatan pembelajaran online. Tujuan dari seleksi fitur secara online adalah untuk mengembangkan pengklasifikasi online yang melibatkan sebagian kecil dan jumlah fitur yang tetap. Untuk data yang besar di aplikasi dunia nyata, kita harus dapat mengidentifikasi secara efisien dengan jumlah fitur yang relevan untuk membangun model prediksi yang akurat dalam proses pembelajaran online. Oleh karane itu digunakan algoritma untuk memecahkan tugas OFS, menganalisis properti teoritis, dan memvalidasi kinerja empiris dengan percobaan yang luas.
Hasil :
Dari hasil penelitian dapat disimpulkan Online Feature Selection( OFS ) dapat digunakan untuk memilih jumlah fitur yang tetap untuk diprediksi oleh pembelajaran online dengan algoritma OFS yang baru. Hasilnya menunjukkan bahwa algoritma yang digunakan efektif untuk tugas seleksi fitur aplikasi online, dan secara signifikan lebih efisien dan terukur daripada beberapa teknik seleksi fitur yang lain.
Kekurangan :
Kekurangan yang ada pada Online Feature Selection ( OFS ) yang adalah pendekatan algoritma yang digunakan masih menghasilkan kesalahan walaupun dalam skala yang kecil.
0 komentar:
Posting Komentar