Vorlesung 6

Question 1

Wie unterscheiden sich Feature-Selektion und -Extraktion?

Answer 1

Selektion: optimale Featureteilmenge durch objektive Funktion
Extraktion: Mapping hochdim. auf niedrigdim. Raum

Question 2

Wie funktioniert die Feature-Seletkion?

Answer 2

ein Feature ist praktisch, falls es Klassen trennt, dazu teste
| mean(A) - mean(B) | / SE(A-B) > Threshold
mit SE(A-B) = sqrt(var(A)/n_A + var(B)/n_B)

1. Filtermethode: basiert auf generellen Infos (kein Bias)
2. Wrapper-Methoden: basieren auf Klassifikationsalgorithmus, predictive accuracy als Maß
   -> zusammen: Embedded

Question 3

Was fällt dir zu Korrelationsanalyse ein?

Answer 3

Berechnung Korrelationskoeffiziente (Pearson)
r_AB = Cov(A,B) / (σ_Aσ_B)

Question 4

Welche Methoden gibtes bei der Datentransformation?

Answer 4

Fourier-Analyse (Signal -> Frequenzraum), Normalisierung (Min-Max, Z-Score), Featurekonstruktion (neue Features)

Beispiele:
neue Features: BMI = K * F(Gewicht, Größe)
Smoothing: 0,93 -> 1

Question 5

Gib 4 Normalisierungsmethoden an

Answer 5

1. Min-Max
   v’ = (v - min_A) / (max_A - min_A)
2. Z-Score
   v’ = (v - μ_A) /σ_A
3. Whitening
   v’ = kein Bock dier Formel hier hinzuschreiben, die kommt sowieso net dran
4. Decimal scaling
   v’=v/10^j

Question 6

Welche drei Schritte hat der Algorithmus bei PCA

Answer 6

1. berechne Kovarianzmatrix
2. berechne, sortiere Eigenwert
3. Eigenvektoren bilden Hauptkomponentenachse

Question 7

Wie sind die Eigenwerte der Kovarianzmatrix?

Answer 7

positiv, da SPD

Question 8

Was passiert bei wiederholter Multiplikation mit der Kovarianzmatrix?

Answer 8

Drehung in Richtung Hauptkomponentenachse