基于距离的分支定界特征选择算法
机器学习
2012-12-12 v1 机器学习
摘要
目前没有已知的高效方法可以从n个高斯特征中选择k个使得贝叶斯分类误差最小。我们展示了贪心算法在此任务中如何导致非最优结果。这促使我们提出一种更鲁棒的方法。我们提出一种分支定界算法，用于寻找k个独立高斯特征子集，以最小化朴素贝叶斯分类误差。我们的算法使用加性单调距离度量来产生贝叶斯分类误差的界，从而排除许多特征子集的评估，同时仍返回最优解。我们在合成数据和基因表达谱数据上测试了该方法。
引用
@article{arxiv.1212.2488,
title = {A Distance-Based Branch and Bound Feature Selection Algorithm},
author = {Ari Frank and Dan Geiger and Zohar Yakhini},
journal= {arXiv preprint arXiv:1212.2488},
year = {2012}
}
备注
Appears in Proceedings of the Nineteenth Conference on Uncertainty in Artificial Intelligence (UAI2003)