Я хочу рассчитать важность каждой входной функции, используя глубокую модель.
Но я нашел только одну статью о выборе функций с использованием глубокого обучения - глубокий выбор функций . Они вставляют слой узлов, связанных с каждым объектом, непосредственно перед первым скрытым слоем.
Я слышал, что сеть глубокого убеждения (DBN) также может быть использована для такой работы. Но я думаю, что DBN предоставляет только абстракции (кластеры) функций, таких как PCA, поэтому, хотя он может эффективно уменьшить размерность, мне интересно, если возможно вычислить важность (вес) каждой функции.
Можно ли рассчитать важность функции с DBN? И есть ли другие известные методы выбора функций с использованием глубокого обучения?
Возможно, проверьте этот документ: https://arxiv.org/pdf/1712.08645.pdf
Они используют отсев для ранжирования функций.
... В этой работе мы используем концепцию выпадения на входном слое объектов и оптимизируем соответствующую частоту выпадения объектов. Поскольку каждая функция удаляется стохастически, наш метод создает эффект, аналогичный пакетированию объектов (Ho, 1995), и ему удается ранжировать коррелированные объекты лучше, чем другие методы, не относящиеся к пакетированию, такие как LASSO. Мы сравниваем наш метод с рандомизированным лесом (RF), LASSO, ElasticNet, маржинальным ранжированием и несколькими методами для определения важности в DNN, такими как глубокий выбор характеристик и различные эвристики ...
источник
Посмотрите на этот пост: https://medium.com/@a.mirzaei69/how-to-use-deep-learning-for-feature-selection-python-keras-24a68bef1e33
и этот документ: https://arxiv.org/pdf/1903.07045.pdf
Они представляют хорошую схему для применения глубоких моделей для выбора функций.
источник