用于含交互项变量选择的遗传算法改进染色体表述
机器学习
2016-04-25 v1 神经与进化计算
摘要
遗传算法是解决变量选择问题的知名方法。由于它们是非参数的且能使用多种适应度函数，它们非常适合作为可应用于许多不同模型的变量选择包装器。在几乎所有情况下，这些遗传算法中使用的染色体表述由一个长度为n的二进制向量组成，对应n个潜在变量，指示相应变量的存在或缺失。尽管上述染色体表述在相对较小的n下表现出良好性能，但当n的尺寸变得非常大时存在潜在问题，尤其在考虑交互项时。我们引入了对标准染色体表述的一种修正，当预测变量搜索空间包含交互项时，可实现更好的可扩展性和模型稀疏性。实验结果表明，与标准染色体表述相比，索引染色体表述在高维数据集上含交互项时展现出改进的计算效率和稀疏性。
引用
@article{arxiv.1604.06727,
title = {An improved chromosome formulation for genetic algorithms applied to variable selection with the inclusion of interaction terms},
author = {Chee Chun Gan and Gerard Learmonth},
journal= {arXiv preprint arXiv:1604.06727},
year = {2016}
}
备注
20 pages, 4 figures, 4 tables, 2 appendices