我有从 3 个描述符中提取的特征组合。即，基于 GLCM 的特征（相关性、同质性、能量和对比度）、局部二进制模式（256）和离散小波变换系数，以及 40 个案例的数据集。我正在使用带有 RBF 内核的 SVM。
是否需要特征选择？如果是这样，你有什么建议？
图像处理中特征组合的特征选择/减少技术
数据挖掘
机器学习
特征选择
支持向量机
图像分类
计算机视觉
2022-02-26 00:08:46
1个回答
我建议“按原样”评估模型的性能，然后决定是否选择特征。
如果您在训练/测试集上都具有良好的性能，则无需执行特征选择。
如果您最终过度拟合您的数据（低训练错误，高测试错误），您可能希望使用特征选择/正则化来减少特征数量（当模型使用大量参数时，成本函数会受到惩罚）
如果你的训练性能低，这意味着你有高偏差（模型不能从这些特征中正确学习）。如果模型不够复杂，无法从数据中提取结构，通常会发生这种情况。在这种情况下，您可能想要添加功能，而不是选择它们。
希望这可以帮助。