O que é "espaço de destaque"?

Qual é a definição de "espaço de recurso"?

Por exemplo, ao ler sobre SVMs, li sobre "mapeamento para destacar o espaço". Ao ler sobre o CART, li sobre "particionamento para destacar o espaço".

Entendo o que está acontecendo, especialmente para a CART, mas acho que há alguma definição que eu perdi.

Existe uma definição geral de "espaço de recurso"?

Existe uma definição que me dê mais informações sobre os kernels SVM e / ou CART?

— poder
fonte

O espaço de recursos refere-se apenas às coleções de recursos usados para caracterizar seus dados. Por exemplo, se seus dados são sobre pessoas, seu espaço de recursos pode ser (Gênero, Altura, Peso, Idade). Em um SVM, podemos considerar um conjunto diferente de características para descrever os dados, como (Sexo, Altura, Peso, Idade ^ 2, Altura / Peso) etc; este é o mapeamento para outro espaço de recurso

— JCWong

Você poderia, por favor, dar os nomes / títulos de sua leitura?

— fu DL

Espaço de Recursos

O espaço de recursos refere-se às dimensões em que suas variáveis residem (sem incluir uma variável de destino, se estiver presente). O termo é usado frequentemente na literatura de ML porque uma tarefa no ML é a extração de recursos , portanto, vemos todas as variáveis como recursos. Por exemplo, considere o conjunto de dados com: $n$

Alvo

Espessura dos pneus de carro após algum período de teste $Y \equiv$

Variáveis

distância percorrida no teste $X_1 \equiv$
tempo de duração do teste $X_2 \equiv$
quantidade de produto químico $X_3 \equiv$ nos pneus $C$

O espaço de características é , ou mais precisamente, o quadrante positivo em como todos os variáveis só pode ser quantidades positivas. O conhecimento do domínio sobre pneus pode sugerir que a velocidade em que o veículo estava se movendo é importante; portanto, geramos outra variável, (esta é a parte de extração do recurso): $\mathbf{R}^3$ $\mathbf{R}^3$ $X$ $X_4$

a velocidade do veículo durante o teste. $X_4 =\frac{X_1}{X_2} \equiv$

Isso amplia nosso antigo espaço de recursos para um novo, a parte positiva de . $\mathbf{R}^4$

Mapeamentos

$\phi$ $\mathbf{R}^3$ $\mathbf{R}^4$ :

ϕ (x_{1}, x_{2}, x_{3}) = (x_{1}, x_{2}, x_{3}, \frac{x_{1}}{x_{2}})

$\phi(x_1,x_2,x_3) = (x_1, x_2, x_3, \frac{x_1}{x_2} )$

— Cam.Davidson.Pilon
fonte

Como isso difere de um espaço de amostra na teoria das probabilidades? Só perguntando. Eu gostaria de saber.

— Placidia

É muito parecido, se não idêntico. Se você considerar a distribuição geradora de dados

D

$D$ , o espaço de recurso é idêntico ao suporte de

D

$D$ .

— Cam.Davidson.Pilon

Eu diria que, como mostra o exemplo de Pilon, o espaço de recursos pode ser aumentado extraindo alguns novos recursos. O espaço da amostra em probabilidade não pode. É exaustivo, os espaços de recursos não são.

— Hasan Iqbal

@ Cam.Davidson.Pilon alguém wsa inspirado por sua resposta parece: dataorigami.net/blogs/napkin-folding/...

— AIM_BLB

@AIM_BLB sou eu!

— precisa saber é o seguinte