学术实验中的表格基准通常是一小组精心选择的特征。相比之下，工业界数据科学家通常会收集尽可能多的特征到他们的数据集中，甚至从现有的特征中设计新的特征。为了防止在后续的下游建模中过拟合，数据科学家通常使用自动特征选择方法来获得特征子集。Tabular特征选择的现有基准建立在经典的下游模型，合成的toy数据集上。在Tabular深度学习日益普及的激励下，该文构建了一个具有挑战性的全新特征选择基准，在包括Transformer在内的下游网络上进行评估。还提出了一种基于输入梯度的Lasso模型，它在具有挑战性的问题上优于经典的特征选择方法。
来自：A Performance-Driven Benchmark for Feature Selection in Tabular Deep Learning
项目地址：https://github.com/vcherepanova/tabular-feature-selection
目录
- 背景概述
- 相关工作
-
- 表格深度学习
- 特征选择
- 特征选择的benchmark
- 实验设置
- 噪声对Deep model和GBDT的影响
- 特征选择benchmark
- 基准测试特征选择方法
- 结果
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/126838.html