bibtype	J - Journal Article
ARLID	0090419
utime	20240903170617.3
mtime	20071130235959.9
title (primary) (eng)	Notes on the evolution of feature selection methodology
specification	page_count 18 s.
serial	ARLID cav_un_epca*0297163 ISSN 0023-5954 title Kybernetika volume_id 43 volume 5 (2007) page_num 713-730 publisher name Ústav teorie informace a automatizace AV ČR, v. v. i.
title (cze)	O vývoji metodologie výběru příznaků
keyword	feature selection
keyword	branch and bound
keyword	sequential search
keyword	mixture model
author (primary)	ARLID cav_un_auth*0101197 name1 Somol name2 Petr institution UTIA-B full_dept Department of Pattern Recognition fullinstit Ústav teorie informace a automatizace AV ČR, v. v. i.
author	ARLID cav_un_auth*0101171 name1 Novovičová name2 Jana institution UTIA-B fullinstit Ústav teorie informace a automatizace AV ČR, v. v. i.
author	ARLID cav_un_auth*0101182 name1 Pudil name2 Pavel institution UTIA-B full_dept Department of Pattern Recognition fullinstit Ústav teorie informace a automatizace AV ČR, v. v. i.
cas_special	project project_id 2C06019 agency GA MŠk country CZ ARLID cav_un_auth*0216518 project project_id GA102/07/1594 agency GA ČR ARLID cav_un_auth*0228611 project project_id 1M0572 agency GA MŠk ARLID cav_un_auth*0001814 project project_id 507752 country XE agency EC ARLID cav_un_auth*0200689 project project_id IAA2075302 agency GA AV ČR ARLID cav_un_auth*0001801 research CEZ:AV0Z10750506 abstract (eng) The paper gives an overview of feature selection techniques in statistical pattern recognition with particular emphasis on methods developed within the Institute of Information Theory and Automation research team throughout recent years. Besides discussing the advances in methodology since times of Perez's pioneering work the paper attempts to put the methods into a taxonomical framework. The methods discussed include the latest variants of the optimal algorithms, enhanced sub-optimal techniques and the simultaneous semi-parametric probability density function modelling and feature space selection method. Some related issues are illustrated on real data by means of the Feature Selection Toolbox software. abstract (cze) Článek dává přehled metod výběru příznaků ve statististickém přístupu k rozpoznávání s důrazem na metody vyvinuté během posledních let výzkumným týmem z Ústavu teorie informace a automatizace. Autoři kromě diskuse o rozvoji metodologie od doby průkopnické práce A. Pereze, navrhují taxonomický systém diskutovaných metod. Metody zahrnují poslední varianty optimálních algoritmů, suboptimální metody a metody současného semi-parametrický modelování hustot pravděpodobnosti a metod výběru podprostoru příznaků. Některé základní problémy jsou ilustrovány na reálných datech s využitím softwaru pro výběr příznaků vyvinutého zmíněným týmem. reportyear 2008 RIV IN mrcbC52 4 O 4o 20231122133652.4 permalink http://hdl.handle.net/11104/0151313 mrcbT16-f 0.464 mrcbT16-g 0.044 mrcbT16-h 8.9 mrcbT16-i 0.0021 mrcbT16-j 0.359 mrcbT16-k 329 mrcbT16-l 68 mrcbT16-q 21 mrcbT16-s 1.071 mrcbT16-y 14.83 mrcbT16-x 0.67 arlyear 2007 mrcbTft \nSoubory v repozitáři: 0090419.pdf mrcbU63 cav_un_epca*0297163 Kybernetika 0023-5954 Roč. 43 č. 5 2007 713 730 Ústav teorie informace a automatizace AV ČR, v. v. i.