Stable Forward Search for Feature Selection

Résumé

Pour utiliser l'apprentissage automatisé, un modèle doit être entrainé en se basant sur un ensemble de données caractérisées par un ensemble de caractéristiques. Cet ensemble peut contenir de nombreuses caractéristiques qui ne sont pas toujours utiles pour le modèle. La sélection de caractéristiques aide à trier et réduire ce nombre. Le
but étant d'essayer de prendre les caractéristiques les plus utiles et ainsi maximiser la phase d'apprentissage du modèle. Il y a différentes sortes de sélections de caractéristiques qui se base sur différentes méthodes qui offrent des avantages tel que la rigueur ou la vitesse d'exécution. De plus le nombre sélectionné doit être le plus petit possible afin de réduire le temps de calcule et la complexité sans perdre d'informations sur les données. L'utilisation d'un critère d'arrêt est importante et peut faire la différence entre une sélection pertinente et non pertinente.

la date de réponse	28 août 2018
langue originale	Anglais
L'institution diplômante	Universite de Namur
Superviseur	Benoît Frénay (Promoteur)