一种特征子集选择算法的自动推荐方法
机器学习
2014-02-05 v1
摘要
已提出许多特征子集选择 (FSS) 算法，但并非所有算法都适用于给定的特征选择问题。同时，迄今为止鲜有良策能为手头的问题选择合适的 FSS 算法。因此，FSS 算法的自动推荐至关重要且具有实用价值。本文提出了一种基于元学习 (meta learning) 的 FSS 算法自动推荐方法。该方法首先通过 k-近邻 (k-nearest neighbor) 分类算法识别与当前数据集最相似的数据集，这些数据集之间的距离基于常用的数据集特征进行计算。随后，根据候选 FSS 算法在这些相似数据集上的表现对其进行排序，并选择表现最佳的算法作为合适算法。候选 FSS 算法的性能通过一项多标准指标进行评估，该指标不仅考虑了所选特征上的分类准确率，还兼顾了特征选择的运行时间和所选特征的数量。所提出的推荐方法在 115 个真实世界数据集上进行了广泛测试，涉及 22 种知名且常用的不同 FSS 算法以及五种代表性分类器。结果表明，我们提出的 FSS 算法推荐方法是有效的。
引用
@article{arxiv.1402.0570,
title = {A Feature Subset Selection Algorithm Automatic Recommendation Method},
author = {Guangtao Wang and Qinbao Song and Heli Sun and Xueying Zhang and Baowen Xu and Yuming Zhou},
journal= {arXiv preprint arXiv:1402.0570},
year = {2014}
}