FeatGeNN：基于相关性的特征提取提升表格数据模型性能
机器学习
2023-08-16 v1 神经与进化计算
摘要
自动化特征工程（AutoFE）已成为任何机器学习项目的重要任务，因其有助于提升模型性能并为统计分析获取更多信息。然而，当前多数 AutoFE 方法依赖人工特征创建或使用可生成大量特征的方法，这可能计算密集并导致过拟合。为应对这些挑战，我们提出一种称为 FeatGeNN 的新型卷积方法，其使用相关性作为池化函数来提取并创建新特征。不同于最大池化等传统池化函数，基于相关性的池化考虑了数据矩阵中特征间的线性关系，使其更适用于表格数据。我们在多个基准数据集上评估了该方法，并证明 FeatGeNN 在模型性能方面优于现有 AutoFE 方法。结果表明，基于相关性的池化可作为表格数据应用中替代最大池化用于 AutoFE 的有前景方案。
引用
@article{arxiv.2308.07527,
title = {FeatGeNN: Improving Model Performance for Tabular Data with Correlation-based Feature Extraction},
author = {Sammuel Ramos Silva and Rodrigo Silva},
journal= {arXiv preprint arXiv:2308.07527},
year = {2023}
}