Feature selection for high-dimensional data

Abstract

Извлечение признаков из данных позволяют достигать многих целей: ускорение сходимости методов оптимизации, увеличение целевых метрик, упрощение анализа предметной области. В данной работе описываются и сравниваются различные способы извлечения признаков. Предлагается новый метод(основанный на новой архитектуре нейросетей и методе извлечения признаков с помощью производных сети по входам), который в итоге превосходит остальные по показателям целевой метрики. Показана модификация стадии инициирования популяций генетического алгоритма для извлечения признаков.

Feature selection from the data allows to achieve many goals: acceleration of convergence of optimization methods, increase in target metrics, simplification of subject area analysis. In this paper, we describe and compare various ways of extracting characteristics. A new method is proposed (based on the new architecture of neural networks and the method of extracting attributes using derived networks on inputs), which in the end surpasses the rest by the indicators of the target metric. The modification of the stage of initiation of genetic algorithm populations for character extraction is shown.