TangledFeatures：高相关空间中的鲁棒特征选择
机器学习
2025-10-20 v1 人工智能
摘要
特征选择是模型开发中的基本步骤，影响着预测性能和可解释性。然而，大多数广泛使用的方法侧重于预测准确性，并且在存在相关预测变量的情况下性能会下降。为弥补这一不足，我们引入了TangledFeatures，一个用于相关特征空间中特征选择的框架。它从纠缠的预测变量组中识别代表性特征，在减少冗余的同时保留解释能力。得到的特征子集可直接应用于下游模型，与传统选择技术相比，为分析提供了更可解释和稳定的基础。我们在丙氨酸二肽上展示了TangledFeatures的有效性，将其应用于主链扭转角的预测，并表明所选特征对应于结构上有意义的原子间距离，这些距离解释了这些角度的变化。
引用
@article{arxiv.2510.15005,
title = {TangledFeatures: Robust Feature Selection in Highly Correlated Spaces},
author = {Allen Daniel Sunny},
journal= {arXiv preprint arXiv:2510.15005},
year = {2025}
}
备注
Accepted for poster presentation at the Machine Learning for Structural Biology (MLSB) Workshop @ NeurIPS 2025, co-located with NeurIPS 2025 (San Diego, USA). Non-archival