Feature selection using semi discrete decomposition and singular value decompositions

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F16%3A86099083" target="_blank" >RIV/61989100:27240/16:86099083 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-319-33609-1_8" target="_blank" >http://dx.doi.org/10.1007/978-3-319-33609-1_8</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-33609-1_8" target="_blank" >10.1007/978-3-319-33609-1_8</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Feature selection using semi discrete decomposition and singular value decompositions

Popis výsledku v původním jazyce

Nowadays, a large amount of digital data is available due to new technologies and different sources of data such as social networks, sensors, etc. There is a challenge to deal with this high dimensional data because query performance degrades as dimensionality increases. However, most of this data are redundant. Hence, it can be reduced to the smaller number of attributes without significant loss of information. The dimensionality reduction and feature selection techniques can be applied for that. In this paper, we compare two techniques Semi-Discrete Decomposition (SDD) and Singular Value Decomposition (SVD) to select significant features from Hepatitis dataset. We found that SVD is more appropriate than SDD in terms of accuracy and acceptable training time. (C) Springer International Publishing Switzerland 2016.

Název v anglickém jazyce

Feature selection using semi discrete decomposition and singular value decompositions

Popis výsledku anglicky

Nowadays, a large amount of digital data is available due to new technologies and different sources of data such as social networks, sensors, etc. There is a challenge to deal with this high dimensional data because query performance degrades as dimensionality increases. However, most of this data are redundant. Hence, it can be reduced to the smaller number of attributes without significant loss of information. The dimensionality reduction and feature selection techniques can be applied for that. In this paper, we compare two techniques Semi-Discrete Decomposition (SDD) and Singular Value Decomposition (SVD) to select significant features from Hepatitis dataset. We found that SVD is more appropriate than SDD in terms of accuracy and acceptable training time. (C) Springer International Publishing Switzerland 2016.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2016

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Advances in Intelligent Systems and Computing. Volume 450

ISBN

978-3-319-33608-4

ISSN

1615-3871

e-ISSN

—

Počet stran výsledku

11

Strana od-do

87-97

Název nakladatele

Springer

Místo vydání

Cham

Místo konání akce

Soči

Datum konání akce

16. 5. 2016

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—