funktionudvælgelse

Funktionudvælgelse er processen med at vælge en passende funktion eller modelform fra en mængde kandidater til at beskrive et datasæt eller et dynamisk system. Målet er at opnå god tilpasning til data uden overdreven kompleksitet og med god generalisering til nye observationer.

Anvendelsesområder inkluderer statistik, tidsserieanalyse, maskinlæring, signalbehandling, økonomi og ingeniørvidenskab. Valget af funktion kan påvirke modellens evne til at fange mønstre og dens robusthed over for støj og ændringer i data.

Metoder til funktionudvælgelse omfatter informationskriterier som AIC og BIC, som sammenligner modeller ud fra en balance mellem tilpasningsfejl og kompleksitet, samt krydsvalidering for at vurdere præstationen på hold-out data. Regelbaserede og søgestrategier som L1- og L2-regularisering (lasso og ridge), trinvis udvælgelse og andre søgesmetoder anvendes til at udvælge relevante funktioner eller basisfunktioner. I praksis vurderes ofte et udvalg af kandidatfunktioner gennem tilstrækkelig data og en passende kompleksitet.

Eksempler omfatter regression, hvor graden af polynom kan vælges, kernelregression hvor kerneparametre fastsættes, eller valg af basisfunktioner i funktionel dataanalyse. Funktionudvælgelse påvirker bias-variance-trade-offen og kan være afgørende for modellens forklaringskraft og generalisering.

Se også: modeludvælgelse, feature selection, basisudvælgelse, regression.