基于模糊粗糙集的二进制混合蛙跳特征选择算法
机器学习
2018-11-26 v1 人工智能
机器学习
摘要
特征选择与属性约简是机器学习、数据挖掘和模式识别领域中用于克服众所周知的维数灾难现象的关键问题与广泛应用的技术，其通过选择特征子集或移除不相关特征来实现。本文提出一种新的特征选择方法，可高效地进行属性约简，从而选出数据集中信息量最大的特征。该方法由两个部分组成：1) 特征子集评价度量，以及 2) 搜索策略。对于评价度量，我们采用了基于下近似的模糊粗糙特征选择(L-FRFS)中的模糊粗糙依赖度(FRFDD)，因其在特征选择中的有效性。至于搜索策略，提出了一种新版本的二进制混合蛙跳算法(B-SFLA)。通过将 B-SFLA 与 FRDD 混合得到新的特征选择方法。我们进行了非参数统计检验，在来自 UCI 仓库的二十二个数据集(包括九个高维大型数据集)上将所提方法与若干现有方法进行比较。实验结果表明，就所选特征数量和分类精度而言，B-SFLA 方法显著优于其他元启发式方法。
引用
@article{arxiv.1808.00068,
title = {A Fuzzy-Rough based Binary Shuffled Frog Leaping Algorithm for Feature Selection},
author = {Javad Rahimipour Anaraki and Saeed Samet and Mahdi Eftekhari and Chang Wook Ahn},
journal= {arXiv preprint arXiv:1808.00068},
year = {2018}
}
备注
24 pages, 11 Tables, 1 figure