インスタンスの選択

インスタンス選択（またはデータセット削減、データセット凝縮）は、多くの機械学習（またはデータマイニング）タスクに適用できる重要なデータ前処理ステップです。 ^[1]インスタンス選択のアプローチは、元のデータセットを管理可能な量に削減するために適用でき、学習プロセスの実行に必要な計算リソースの削減につながります。インスタンス選択のアルゴリズムは、学習アルゴリズムを適用する前にノイズの多いインスタンスを除去するためにも適用できます。このステップにより、分類問題の精度を向上させることができます。

インスタンス選択アルゴリズムは、データマイニング (または機械学習) アプリケーションの本来の目的を達成するために、データ全体が使用されたかのように、利用可能なデータ全体のサブセットを識別する必要があります。これを考慮すると、IS の最適な結果は、利用可能なデータ全体を使用してタスクを実行した場合に達成されるパフォーマンスと比較して、パフォーマンスの低下なしに同じタスクを達成できる最小のデータ サブセットになります。したがって、すべてのインスタンス選択戦略では、データセットの削減率と分類品質の間のトレードオフに対処する必要があります。

文献には、インスタンス選択のためのさまざまなアルゴリズムが記載されています。これらは、いくつかの異なる基準に従って互いに区別できます。これを考慮すると、インスタンス選択アルゴリズムは、選択するインスタンスに応じて、クラスの境界でインスタンスを保持するアルゴリズムと、クラスの内部インスタンスを保持するアルゴリズムの 2 つの主要なクラスに分類できます。境界でインスタンスを選択するアルゴリズムのカテゴリでは、DROP3、^[2]、 ICF ^{[3] 、および LSBo [4]}を挙げることができます。一方、内部インスタンスを選択するアルゴリズムのカテゴリでは、ENN ^[5]と LSSm を挙げることができます。^[4]一般に、ENN や LSSm などのアルゴリズムは、データセットから有害な (ノイズの多い) インスタンスを削除するために使用されます。境界インスタンスを選択するアルゴリズムのようにデータを削減することはありませんが、データ マイニング タスクに悪影響を与える境界のインスタンスを削除します。これらは、他のインスタンス選択アルゴリズムによってフィルタリング ステップとして使用できます。たとえば、DROP3 では最初のステップとして ENN アルゴリズムが使用され、LSBo では LSSm アルゴリズムが使用されます。

異なる選択基準を採用する別のアルゴリズムのグループもあります。たとえば、アルゴリズムLDIS、^[6]、 CDIS ^[7]、XLDIS ^[8]は、任意の近傍内で最も密度の高いインスタンスを選択します。選択されたインスタンスには、境界インスタンスと内部インスタンスの両方を含めることができます。LDISアルゴリズムとCDISアルゴリズムは非常に単純で、元のデータセットを非常によく表すサブセットを選択します。それに加えて、各クラスの代表的なインスタンスを個別に検索するため、DROP3やICFなどの他のアルゴリズムよりも高速です（時間の複雑さと実効実行時間の点で）。

それに加えて、データセットの実際のインスタンスを選択する代わりに、プロトタイプ（合成インスタンスの場合もある）を選択するアルゴリズムの3番目のカテゴリがあります。このカテゴリには、PSSA ^[9]、 PSDSP ^[10]、およびPSSP ^[11]を含めることができます。3つのアルゴリズムは、類似のインスタンスを識別するために空間分割（超長方形）の概念を採用し、類似のインスタンスの各セットのプロトタイプを抽出します。一般に、これらのアプローチは、データセットの実際のインスタンスを選択するために変更することもできます。アルゴリズムISDSP ^[11]は、実際のインスタンス（プロトタイプの代わりに）を選択するための同様のアプローチを採用しています。