Chcę obliczyć ważność każdej funkcji wejściowej przy użyciu modelu głębokiego.
Ale znalazłem tylko jeden artykuł na temat wyboru funkcji za pomocą głębokiego uczenia się - głęboki wybór funkcji . Wstawiają warstwę węzłów połączonych bezpośrednio z każdą operacją przed pierwszą ukrytą warstwą.
Słyszałem, że do tego rodzaju pracy można również wykorzystać sieć głębokiej wiary (DBN). Ale myślę, że DBN zapewnia tylko abstrakcje (klastry) funkcji takich jak PCA, więc chociaż może skutecznie zmniejszyć wymiar, zastanawiam się, czy jeśli można obliczyć ważność (wagę) każdej cechy.
Czy można obliczyć ważność funkcji za pomocą DBN? Czy istnieją inne znane metody wyboru funkcji za pomocą głębokiego uczenia się?
Może sprawdź ten artykuł: https://arxiv.org/pdf/1712.08645.pdf
Używają dropout do oceniania funkcji.
... W tej pracy wykorzystujemy koncepcję rezygnacji na wejściowej warstwie obiektów i optymalizujemy odpowiadający jej współczynnik rezygnacji. Ponieważ każda cecha jest usuwana stochastycznie, nasza metoda daje podobny efekt do łączenia elementów (Ho, 1995) i udaje mu się uszeregować skorelowane cechy lepiej niż inne metody bez workowania, takie jak LASSO. Porównujemy naszą metodę do Random Forest (RF), LASSO, ElasticNet, Marginal ranking i kilku technik w celu uzyskania znaczenia w DNN, takich jak Deep Feature Selection i różne heurystyki ...
źródło
Obejrzyj ten post: https://medium.com/@a.mirzaei69/how-to-use-deep-learning-for-feature-selection-python-keras-24a68bef1e33
oraz ten dokument: https://arxiv.org/pdf/1903.07045.pdf
Prezentują ładny schemat stosowania głębokich modeli do wyboru funkcji.
źródło