1. Start with all F = {x1, . . . ,

1. Start with all F = {x1, . . . , xI } input variables.
2. If there is a hyperparameter P ∈ {P1, . . . , Pk} to tune (e.g. NN or SVM),
start with P1 and go through the remaining range until the generalization
estimate decreases. Compute the generalization estimate of the model by
using an internal validation method. For instance, if the holdout method is
used, the available data are further split into training (to fit the model) and
validation sets (to get the predictive estimate).
3. After fitting the model, compute the relative importances (Ri) of all xi ∈ F
variables and delete from F the least relevant input. Go to step 4 if the
stopping criterion is met, otherwise return to step 2.
4. Select the best F (and P in case of NN or SVM) values, i.e., the input variables
and model that provide the best predictive estimates. Finally, retrain
this configuration with all available data.

ผลลัพธ์ (ไทย) 1:

1. เริ่มต้น ด้วยทั้งหมด F = { x 1,..., สิ} ใส่ตัวแปร2. ถ้ามี∈ hyperparameter P {P1,... Pk } ฟัง (เช่น NN หรือ SVM),เริ่มต้น ด้วย P1 และผ่านช่วงที่เหลือจนกระทั่งการ generalizationประเมินลดลง คำนวณการประเมิน generalization รุ่นโดยใช้วิธีการตรวจสอบภายใน ตัวอย่าง ถ้ามีวิธีการ holdoutใช้ ข้อมูลเพิ่มเติมแบ่งเป็นการฝึกอบรม (ให้พอดีกับรูปแบบ) และชุดตรวจสอบ (จะได้รับการประเมินคาดการณ์)3. หลังจากแบบจำลองเหมาะสม คำนวณ importances สัมพันธ์ (Ri) ของทั้งหมดสิ∈ Fตัวแปรและลบจาก F เข้าเกี่ยวข้องน้อยที่สุด ไปที่ขั้นตอนที่ 4 ถ้าการเป็นไปตามเกณฑ์หยุด หรือ กลับไปยังขั้นตอนที่ 24. ค่าเลือก F สุด (และ P เอ็นเอ็นหรือ SVM) เช่น ตัวแปรอินพุตและรุ่นที่ให้ประเมินงานส่วน สุดท้าย retrainการกำหนดค่านี้กับข้อมูลทั้งหมด

ผลลัพธ์ (ไทย) 2:

1. เริ่มต้นด้วยทุก F = {x1, . . จิน} ตัวแปร.
2 หากมี hyperparameter P ∈ {P1, . . , Pk} การปรับแต่ง (เช่น NN หรือ SVM)
เริ่มต้นด้วย P1
และผ่านช่วงที่เหลือจนกว่าลักษณะทั่วไปประมาณการลดลง
คำนวณประมาณการทั่วไปของรูปแบบโดยการใช้วิธีการตรวจสอบภายใน ตัวอย่างเช่นถ้าวิธีการไม่ยอมอ่อนข้อจะใช้ข้อมูลที่มีอยู่แยกต่อไปในการฝึกอบรม (เพื่อให้พอดีกับรุ่น) และชุดตรวจสอบ(ที่จะได้รับการคาดการณ์ประมาณการ). 3 หลังจากการปรับรูปแบบการคำนวณ importances ญาติ (Ri) ของจิน∈ F ตัวแปรและลบออกจาก F ป้อนข้อมูลที่เกี่ยวข้องอย่างน้อย ไปที่ขั้นตอนที่ 4 ถ้าเกณฑ์หยุดจะพบมิฉะนั้นกลับไปยังขั้นตอนที่2 4 เลือกที่ดีที่สุด F (P และในกรณีของ NN หรือ SVM) ค่าคือตัวแปรการป้อนข้อมูลและรูปแบบที่ให้ประมาณการคาดการณ์ที่ดีที่สุด สุดท้ายฝึกการกำหนดค่านี้กับข้อมูลที่มีอยู่ทั้งหมด

ผลลัพธ์ (ไทย) 3:

1 . เริ่มจาก F = { X1 , . . . . . . . . ใส่ตัวแปร Xi } .
2 หากมี hyperparameter P ∈ { P1 . . . . . . . . , pk } ปรับแต่ง ( เช่นดินหรือ SVM )
เริ่ม P1 และผ่านช่วงที่เหลือจน Generalization
ประมาณการลดลง คำนวณการประมาณการของรูปแบบโดยการใช้วิธี
ตรวจสอบภายใน ตัวอย่าง ถ้าไม่ยอมอ่อนข้อ
วิธีใช้ข้อมูลเพิ่มเติมจะแบ่งการฝึกเพื่อให้พอดีกับรูปแบบและชุดตรวจสอบ (
) ได้ประมาณการพยากรณ์ )
3 หลังจากการปรับรุ่นคอมพิวเตอร์ความสำคัญสัมพัทธ์ ( RI ) ทั้งหมด 11 ∈ f
ตัวแปรและลบจาก F เข้าเกี่ยวข้องอย่างน้อย . ไปที่ขั้นตอนที่ 4 ถ้า
เกณฑ์หยุดจะพบ ไม่งั้นกลับไปขั้นตอนที่ 2
4 เลือกที่ดีที่สุด F ( P ในกรณีของดินหรือ SVM ) ค่านิยม เช่นตัวแปรอินพุต
และรุ่นที่ให้ประมาณการทำนายที่ดีที่สุด ในที่สุด เส้นทางปรับแต่งนี้กับข้อมูลที่มีอยู่ทั้งหมด

.