Mi a “funkciótér” meghatározása?
Például, amikor az SVM-ekről olvasok, olvastam a szolgáltatáshoz való hozzárendelésről tér”. A CART-ról olvasva olvastam a “particionálást a funkciótérbe”.
Megértem, mi folyik itt, különösen a CART esetében, de úgy gondolom, hogy van valami definíció, amelyet elmulasztottam.
Van-e általános meghatározása a „funkciótérnek”?
Van olyan definíció, amely nagyobb betekintést nyújt az SVM kerneleibe és / vagy a CART-ba?
Megjegyzések
- A funkciótér csak azokra a funkciók gyűjteményeire utal, amelyeket az adatok jellemzésére használnak. Például, ha az adatok emberekről szólnak, akkor a funkcióterület lehet (Nem, Magasság, Súly, életkor). Egy SVM-ben érdemes figyelembe venni egy másik jellemzőkészletet az adatok leírására, például (Nem, Magasság, Súly, Kor ^ 2, Magasság / Súly) stb.; Ez egy másik jellemző leképezése szóköz
- Meg szeretné adni az olvasott neveket / címeket?
Válasz
Feature Space
A Feature Space a $ n $ -dimenziókra utal, ahol a változók élnek (nem tartalmaz egy célváltozót, ha van). A kifejezést gyakran használják az ML szakirodalomban, mert az ML feladat egy funkciókivonás , ezért minden változót jellemzőként tekintünk rá. Vegyük például az adatkészletet a következővel:
Cél
- $ Y \ equiv $ Az autógumik vastagsága bizonyos tesztelési időszak után
Változók
- $ X_1 \ equiv $ teszt során megtett távolság
- $ X_2 \ equiv $ teszt időtartama
- $ X_3 \ equiv $ mennyiségű vegyszer $ C $ gumiabroncsokban
A funkciótér a $ \ mathbf {R} ^ 3 $, pontosabban a $ \ mathbf {R} ^ 3 $ pozitív kvadrátja, mint az összes A $ X $ változók csak pozitív mennyiségek lehetnek. A gumiabroncsokkal kapcsolatos tartományi ismeretek azt sugallhatják, hogy fontos a sebesség , amellyel a jármű haladt, ezért létrehozunk egy másik változót, a $ X_4 $ értéket (ez a funkciókivonási rész):
- $ X_4 = \ frac {X_1} {X_2} \ egyenértékű $ a jármű sebességével a tesztelés során.
Ez kiterjeszti régi funkcióterünket egy újra, a pozitív részre. $ \ mathbf {R} ^ 4 $.
leképezések
Ezenkívül a példánkban szereplő leképezés egy függvény, $ \ phi $, $ \ mathbf {R} ^ 3 $ és $ között \ mathbf {R} ^ 4 $:
$$ \ phi (x_1, x_2, x_3) = (x_1, x_2, x_3, \ frac {x_1} {x_2}) $$
Megjegyzések
- Miben különbözik ez a valószínűségelméletben a mintatertől? Csak kérdezem. Szeretném tudni.
- Ez ' s nagyon hasonló, ha nem is azonos. Ha figyelembe vesszük az adatgeneráló disztribúciót $ D $, akkor a feature-space megegyezik a $ D $ támogatásával.
- Azt mondanám, hogy Pilon ' s példa azt mutatja, hogy a funkcióterület növelhető néhány új szolgáltatás kibontásával. A mintaterület valószínűség szerint ' t. ' teljeskörűek, a funkcióterek ' t nem tartalmazzák.
- @ Cam.Davidson.Pilon valaki inspirálta válaszod úgy tűnik: dataorigami.net/blogs/napkin-folding/…
- @AIM_BLB, hogy ' s engem!