Selekce příznaků pomocí nekorelovaných charakteristik

Abstract

Ke zpracování nadměrného množství dat v digitální podobě je zapotřebí použít prostředků výpočetní techniky. V některých případech je možné použít statistické metody nebo strojové učení. V obou případech mohou být data reprezentována velkým počtem příznaků. Pro efektivní zpracování může hrát důležitou roli výběr pouze určité množiny příznaků, které jsou relevantní. Tato práce zkoumá podskupinu metod pro výběr příznaků, tzv. filter metody. Tyto metody jsou mezi sebou porovnány a na základě výsledků je navržena nová metoda, která je kombinací metod původních.

In order to process large amount of data, it is necessary to use computers. It is possible to use statistical methods or machine learning in some cases. In either case, data can be represented with large number of features. Selection of suitable subset of features can be crucial for efficient processing. This thesis explores a subgroup of feature selection methods which are called filter methods. Comparison of such methods is carried out and the results are used in the design of a new method. This new method uses a combination of existing methods.