0337806 20240103192946.320100128235959.9 6 s. CD-ROM cav_un_epca*0337805Machine Intelligence and Web Applications12-17KáhiraCairo University2009 feature selection overfitting overselection cav_un_auth*0101197 Somol Petr Rozpoznávání obrazu Department of Pattern Recognition RO RO UTIA-B Department of Pattern Recognition Ústav teorie informace a automatizace AV ČR, v. v. i. cav_un_auth*0101171 Novovičová Jana Rozpoznávání obrazu Department of Pattern Recognition RO RO UTIA-B Ústav teorie informace a automatizace AV ČR, v. v. i. cav_un_auth*0101182 Pudil Pavel Rozpoznávání obrazu Department of Pattern Recognition RO RO UTIA-B Department of Pattern Recognition Ústav teorie informace a automatizace AV ČR, v. v. i. http://library.utia.cas.cz/separaty/2010/RO/somol-on the over-fitting problem of complex feature selection methods.pdf 2C06019 GA MŠk CZ cav_un_auth*0216518 1M0572 GA MŠk cav_un_auth*0001814 GA102/07/1594 GA ČR cav_un_auth*0228611 GA102/08/0593 GA ČR cav_un_auth*0239567 CEZ:AV0Z10750506 One of the hot topics discussed recently in relation to machine learning is the question of actual performance of modern feature selection methods. Feature selection has been a highly active area of research in recent years due to its potential to improve both the performance and economy of automatic decision systems in various applicational fields, including medicine, image analysis, remote sensing, economics etc. The number of available methods and methodologies has grown rapidly throughout recent years while promising important improvements. Yet recently many authors put this development in question, claiming that simpler older tools are actually better than complex modern ones – which, despite promises, are claimed to actually fail in real-world applications. We investigate this question, show several illustrative examples and draw several conclusions and recommendations regarding feature selection methods’ expectable performance. Jedno z aktuálních témat ve strojovém učení je otázka skutečné výkonnosti moderních metod výběru příznaků. Výběr příznaků byl v posledních letech v centru pozornosti pro svou schopnost zlepšovat nejen úspěšnost ale i snižovat náročnost systémů automatického rozhodování v různých oblastech - v medicíně, zpracování obrazových dat, ekonomii atd. Počet dostupných metod a matodologií stále narůstá přičemž nové metody slibují další zlepšení. Tento vývoj byl nicméně nedávno zpochybněn řadou autorů s poukazem na pozorování, že starší metody se ve skutečnosti chovají lépe v reálných aplikacích. V této práci zkoumáme tuto otázku a na několika ilustrativních příkladech podáváme doporučení ohledně očekávatelného výkonu různých metod. cav_un_auth*0259324 5th International Computer Engineering Conference - A better Information Society Through the e@ Káhira 27.12.2009-28.12.2009 EG 2010 BD http://hdl.handle.net/11104/0181723 2009 cav_un_epca*0337805 Proc. 5th International Computer Engineering Conference - A better Information Society Through the e@ Machine Intelligence and Web Applications 12 17 Káhira Cairo University 2009