我知道支持向量机、随机森林和逻辑回归是著名的用于分类的机器学习（ML）算法。

我对特征提取、选择和分类这些术语感到困惑。

上述ML算法是否用于提取特征而不是选择特征的一部分？

这些ML算法是否包括特征提取和分类的双重过程？

训练ML算法的结果（准确率、特异性、敏感性等）是否告诉我们在特征提取后对疾病进行分类的结果？

回答：

关于您对这三个术语的困惑，

特征提取： 当您想从原始数据中创建新特征时（例如，您有transaction_day列，但您只对月份感兴趣，因此您从transaction_day创建一个新的transaction_month列）

特征选择： 您有很多特征，但只想选择重要的那些（选择多少是个需要进一步研究的话题）。这可以加速学习过程，并且在正确的策略下，许多应用的准确性不会受到影响。

分类： 是一种监督式（标记的）机器学习家族，您的目标是将观测值分配给已知类别（例如，将邮件分类为垃圾邮件或普通邮件）

注意：一些机器学习算法如”Lasso“内置了特征选择功能，但对于其他算法，训练后特征的较大系数通常显示该特征的重要性（了解更多关于递归特征消除（rfe）的信息）

您还可以在该帖子中找到很好的讨论。