Ortalama mutlak sapma kullanarak yarı denetlenen özellik seçimi

Yüksek boyutlu veri kümeleri öğrenme aşamasında (Örneğin: Sınıflandırma veya Kümeleme) sorunlara neden olabilir. Özellik azaltma, veri kümelerindeki bir özelliğin sayısının azaltılmasına yardımcı olur ve bunun sonucunda öğrenme adımlarının algoritmalarını daha hızlı gerçekleştirir ve bir veri kümesindeki tüm özellikleri kullanmaktan daha iyi sonuç verir. Yarı denetlenen bilginin denetimsiz bir özellik seçimi algoritmasında kullanılması da daha iyi sonuç elde edildiğini göstermiştir. Tez, denetimsiz bilgileri kullanan ve iyileştirme yapmak için yarı denetimli öğrenme bilgilerini kullanmaya çalışan Ortalama Mutlak Sapma'yı (MAD) incelemektedir. Bu tezde kullanılan yöntem, Ortalama Mutlak Sapma-Yeni (MADN) olarak adlandırılmıştır. Yeni yöntemin, MAD yönteminin yüz veri kümeleri üzerinde bir iyileşme olduğu ve seyrek veri kümeleri ile karşılaştırmalı olduğu gösterildi.