AD ALTA 

 

JOURNAL OF INTERDISCIPLINARY RESEARCH

 

 

 

 

will allow them to learn more about the behavior of each 
pupil, but also of the group of students as a whole. 



 

It enables the possibility to expand our understanding of the 
process of virtual learning. It is essential that eLearning 
professionals get to know how students learn and acquire 
knowledge. Big Data gives us the opportunity to gain a 
deeper understanding of the process of eLearning and how 
students are responding to the eLearning courses. This 
information can be used to design new learning methods. 

4 Conclusion 

Feature selection has been usually used as a preprocessing step 
that condenses the extents of a problematic and advances 
classification precision. The need for this kind of technique has 
improved intensely in recent years in order to cope with 
situations categorized by both a high number of input features 
and/or of models. In other words, the big data bang now has the 
added problem of big dimensionality. This research work 
assessed the main need for feature selection and momentarily 
revised the most popular feature selection methods and some 
typical applications that are used for virtual learning in higher 
education. While feature selection may well be one of the 
improved preprocessing methods, it is vital not to overlook the 
factors affecting feature selection choices. For illustration, it is 
important to choose a satisfactory discretization method, given 
that some feature selection approaches especially those from the 
information theory field were developed to work with separate 
data. Certainly, it has been established that the choice of method 
affects the results of the feature selection process in virtual 
learning. 

Literature: 

1.

 

A.J. Miller, Selection of subsets of regression variables, J. 

Roy. Stat. Soc. Ser. A (Gener.) (1984) 389–425. 
2.

 

A.L. Blum, P. Langley, Selection of relevant features and 

examples in machine learning, Artif. Intell. 97 (1) (1997) 245–
271. 
3.

 

B. Bonev, Feature Selection based on Information Theory, 

Universidad de Alicante, 2010. 
4.

 

C. Boutsidis, P. Drineas, M.W. Mahoney, Unsupervised 

feature selection for the k-means clustering problem, Adv. 
Neural Inform. Process. Syst (2009) 153–161. 
5.

 

D.L. Donoho et al., High-dimensional data analysis: the 

curses and blessings of dimensionality, AMS Math. Challenges 
Lect. (2000) 1–32. 
6.

 

D. Paul, E. Bair, T. Hastie, R. Tibshirani, 

‘‘Preconditioning’’ for feature selection and regression in high-
dimensional problems, Ann. Stat. (2008) 1595–1618. 
7.

 

Guyon, Feature Extraction: Foundations and Applications, 

vol. 207, Springer, 2006. 
8.

 

Guyon, A. Elisseeff, An introduction to variable and feature 

selection, J. Mach. Learn. Res. 3 (2003) 1157–1182. 
9.

 

G. Hughes, On the mean accuracy of statistical pattern 

recognizers, IEEE Trans. Inform. Theory 14 (1) (1968) 55–63. 
10.

 

H. Liu, H. Motoda, Computational Methods of Feature 

Selection, CRC Press, 2007. 
11.

 

H. Liu, R. Setiono, Chi2: feature selection and 

discretization of numeric attributes, in: Tools with Artificial 
Intelligence, 1995. Proceedings., Seventh International 
Conference on, IEEE, 1995, pp. 388–391. 
12.

 

J.R. Quinlan, Induction of decision trees, Mach. Learn. 1 (1) 

(1986) 81–106. 
13.

 

Kononenko, Estimating attributes: analysis and extensions 

of relief, in: Machine Learning: ECML-94, Springer, 1994, pp. 
171–182. 
14.

 

K. Weinberger, A. Dasgupta, J. Langford, A. Smola, J. 

Attenberg, Feature hashing for large scale multitask learning, 
in: Proceedings of the 26th Annual International Conference on 
Machine Learning, ACM, 2009, pp. 1113–1120. 

15.

 

L. Yu, H. Liu, Efficient feature selection via analysis of 

relevance and redundancy, J. Mach. Learn. Res. 5 (2004) 1205–
1224. 
16.

 

M. Pal, G.M. Foody, Feature selection for classification of 

hyperspectral data by svm, IEEE Trans. Geosci. Remote Sens. 
48 (5) (2010) 2297–2307. 
17.

 

M. Tan, I.W. Tsang, L. Wang, Towards ultrahigh 

dimensional feature selection for big data, J. Mach. Learn. Res. 
15 (1) (2014) 1371–1429. 
18.

 

M. Dash, H. Liu, Feature selection for classification, Intell. 

Data Anal. 1 (3) (1997) 131–156. 
19.

 

P.P. Ohanian, R.C. Dubes, Performance evaluation for four 

classes of textural features, Pattern Recognit. 25 (8) (1992) 819–833. 
20.

 

R. Leardi, A. Lupiáñez González, Genetic algorithms 

applied to feature selection in pls regression: how and when to 
use them, Chemomet. Intell. Lab. Syst. 41 (2) (1998) 195–207. 
21.

 

R.O. Duda, P.E. Hart, D.G. Stork, Pattern Classification, 

John Wiley & Sons, 1999. 
22.

 

R. Bellman, Dynamic Programming, vol. 18, Princeton UP, 

Princeton, NJ, 1957. 
23.

 

R. Kohavi, G.H. John, Wrappers for feature subset 

selection, Artif. Intell. 97 (1) (1997) 273–324. 
24.

 

V. Roth, T. Lange, Feature selection in clustering problems, 

Adv. Neural Inform. Process. Syst. (2003). 
25.

 

V. Bolón-Canedo, N. Sánchez-Maroño, A. Alonso-

Betanzos, J.M. Benítez, F. Herrera, A review of microarray 
datasets and applied feature selection methods, Inform. Sci. 282 
(2014) 111–135. 
26.

 

Y. Zhai, Y. Ong, I. Tsang, The emerging ‘big dimensionality’, 

Comput. Intell. Mag., IEEE 9 (3) (2014) 14–26. 
27.

 

Z.A. Zhao, H. Liu, Spectral Feature Selection for Data 

Mining, Chapman & Hall/CRC, 2011. 
 
Primary Paper Section: A 
 
Secondary Paper Section: AO, AM 
 

- 66 -

vol. 8

issue 1