¿Cuál es la definición de «espacio de características»?
Por ejemplo, al leer sobre SVM, leí sobre «asignación a características espacio». Al leer sobre CART, leí sobre «particionar en el espacio de funciones».
Entiendo lo que está pasando, especialmente para CART, pero creo que hay una definición que me he perdido.
¿Existe una definición general de «espacio de características»?
¿Existe una definición que me dé más información sobre los kernels de SVM y / o CART?
Comentarios
- El espacio de características solo se refiere a las colecciones de características que se utilizan para caracterizar sus datos. Por ejemplo, si sus datos son sobre personas, su espacio de características podría ser (Sexo, Altura, Peso, Edad). En una SVM, es posible que deseemos considerar un conjunto diferente de características para describir los datos, como (Sexo, Altura, Peso, Edad ^ 2, Altura / Peso), etc., este es el mapeo a otra característica. espacio
- ¿Podría dar los nombres / títulos de su lectura?
Responder
Espacio de características
El espacio de características se refiere a las $ n $ -dimensiones donde viven sus variables (sin incluir una variable de destino, si está presente). El término se usa a menudo en la literatura de ML porque una tarea en ML es extracción de características , por lo tanto, vemos todas las variables como características. Por ejemplo, considere el conjunto de datos con:
Target
- $ Y \ equiv $ Espesor de los neumáticos de los automóviles después de un período de prueba
Variables
- $ X_1 \ equiv $ distancia recorrida en la prueba
- $ X_2 \ equiv $ tiempo de duración de la prueba
- $ X_3 \ equiv $ cantidad de sustancia química $ C $ en neumáticos
El espacio de características es $ \ mathbf {R} ^ 3 $, o más exactamente, el cuadrante positivo en $ \ mathbf {R} ^ 3 $ como todos los Las variables $ X $ solo pueden ser cantidades positivas. El conocimiento del dominio sobre los neumáticos podría sugerir que la velocidad a la que se movía el vehículo es importante, por lo tanto, generamos otra variable, $ X_4 $ (esta es la parte de extracción de características):
- $ X_4 = \ frac {X_1} {X_2} \ equiv $ la velocidad del vehículo durante la prueba.
Esto amplía nuestro antiguo espacio de funciones a uno nuevo, la parte positiva de $ \ mathbf {R} ^ 4 $.
Mapeos
Además, un mapeo en nuestro ejemplo es una función, $ \ phi $, de $ \ mathbf {R} ^ 3 $ a $ \ mathbf {R} ^ 4 $:
$$ \ phi (x_1, x_2, x_3) = (x_1, x_2, x_3, \ frac {x_1} {x_2}) $$
Comentarios
- ¿En qué se diferencia de un espacio muestral en la teoría de la probabilidad? Solo preguntaba. Me gustaría saberlo.
- Es ' s muy similar, si no idéntico. Si considera la distribución generadora de datos $ D $, entonces el espacio de características es idéntico al soporte de $ D $.
- Yo diría que, como Pilon ' muestra que el espacio de funciones se puede aumentar extrayendo algunas funciones nuevas. El espacio muestral en probabilidad puede ' t. Es ' s exhaustivos, los espacios de características no son ' t.
- @ Cam.Davidson.Pilon alguien se inspiró en parece tu respuesta: dataorigami.net/blogs/napkin-folding/…
- @AIM_BLB que ' soy yo!