Sélection de caractéristiques pour le clustering : Une revue

Les techniques de réduction de dimension peuvent être catégorisées principalement en extraction de caractéristiques et sélection de caractéristiques. Dans l'approche d'extraction de caractéristiques, les caractéristiques sont projetées dans un nouvel espace avec une dimensionnalité inférieure. La sélection de caractéristiques est largement classée en quatre modèles : modèle de filtre, modèle d'enveloppement, modèle intégré et modèle hybride. Avec l'existence d'un grand nombre de caractéristiques, les modèles d'apprentissage tendent à surajuster et leur performance d'apprentissage se dégrade. La sélection de caractéristiques est l'une des techniques les plus utilisées pour réduire la dimensionnalité parmi les praticiens. La présence de caractéristiques non pertinentes dans l'ensemble de données peut dégrader la qualité de l'apprentissage et consommer plus de mémoire et de temps de calcul qui pourraient être économisés si ces caractéristiques étaient supprimées. Cependant, trouver des clusters dans un espace à haute dimension est coûteux en termes de calcul et peut dégrader la performance d'apprentissage. Le clustering est utile dans plusieurs tâches d'apprentissage automatique et d'exploration de données, y compris la segmentation d'images, la récupération d'informations, la reconnaissance de motifs, la classification de motifs et l'analyse de réseaux.