Tengo datos con clase continua y estoy buscando buenos métodos para reducir el número de atributos. Ahora estoy usando filtros basados en la correlación, bosques aleatorios y el algoritmo Gram-Schmidt.
Lo que quiero lograr es responder qué atributos son más importantes/relevantes para el atributo de clase que otros.
Usando los métodos que mencioné antes puedo alcanzar este objetivo, pero ¿hay algún otro buen algoritmo que valga la pena notar?
En realidad mis datos son bastante pequeños (~100 ejemplos) y el clasificador es el resultado de utilizar PCA (por eso es continuo). De nuevo, ¿puedo utilizar LERS, SVM o RNB con un clasificador continuo?
En Vista de tareas sobre aprendizaje automático y aprendizaje estadístico es un buen punto de partida para este tipo de preguntas.
Soy un gran fan del rfe del paquete caret. Puede utilizarla fácilmente para validar de forma cruzada clasificaciones de importancia de características de un bosque aleatorio, un modelo lineal, un modelo de árbol empaquetado, un modelo bayesiano ingenuo o cualquier otro algoritmo que devuelva una medida de importancia de variables.
Puede Más información .
He obtenido buenos resultados con los procedimientos de selección de características por conjuntos. Para la implementación puede echar un vistazo a la Biblioteca Java-ML .
Para referencias, véase por ejemplo aquí .
Creo que estos procedimientos también están disponibles en R.
I-Ciencias es una comunidad de estudiantes y amantes de la ciencia en la que puedes resolver tus problemas y dudas.
Puedes consultar las preguntas de otros usuarios, hacer tus propias preguntas o resolver las de los demás.
0 votos
¿Importante o relevante para qué?
0 votos
Relevante para el atributo de clase...