一种使用基于方差的敏感性分析的鲁棒特征选择新方法

Saman Sadeghyan

一种使用基于方差的敏感性分析的鲁棒特征选择新方法

机器学习 2018-04-17 v1 人工智能机器学习

作者: Saman Sadeghyan

摘要

在模式识别任务中排除无关特征对于维持更简单的机器学习模型和优化计算效率起着重要作用。如今随着大规模数据集的兴起，特征选择需求巨大，因为当面对高维数据集时它成为一个核心问题。本研究通过采用一种称为扩展傅里叶幅度敏感性测试的敏感性分析 (SA) 技术和训练良好的前馈神经网络 (FNN) 模型，为特征提供了一种新的显著性度量，最终导致选择出有前景的最优特征子集。本文的思想主要基于在分类问题中采用 FNN 模型进行特征选择来演示。但最后，讨论了一个泛化框架，以提供对回归问题中使用的见解，并表达如何部署其他函数逼近模型。通过对取自 UCI 机器学习库的几个知名数据集进行的一系列实验的结果分析和数据可视化，验证了所提方法的有效性。

关键词

特征选择基于方差的敏感性分析扩展傅里叶幅度敏感性测试前馈神经网络模式识别高维数据集

引用

@article{arxiv.1804.05092,
  title  = {A new robust feature selection method using variance-based sensitivity analysis},
  author = {Saman Sadeghyan},
  journal= {arXiv preprint arXiv:1804.05092},
  year   = {2018}
}

备注

9 pages, 4 figures

一种使用基于方差的敏感性分析的鲁棒特征选择新方法

摘要

关键词

引用

备注

相关论文