基于多目标平均一依赖估计器的大数据大模型
神经与进化计算
2016-10-26 v1 机器学习
摘要
尽管许多研究者尝试探索多目标特征选择的各种可能性，但其在数据挖掘应用中的最佳能力仍有待挖掘，而非去开发新的方法。本文使用多目标进化算法ENORA在多类分类问题中进行特征选择。将AnDE（平均n依赖估计器，n=1，一种朴素贝叶斯的变体）与ENORA的高效特征选择相融合，以获得能从大数据中有效学习的快速混合分类器。该方法旨在解决从全数据中寻找最优特征子集的问题，这目前仍是一个难题。所得分类器的效能使用从小型到大型的一系列最流行的21个真实世界数据集进行了广泛评估。在时间、均方根误差、0-1损失和分类准确率方面取得的结果令人鼓舞。
引用
@article{arxiv.1610.07752,
title = {Big Models for Big Data using Multi objective averaged one dependence estimators},
author = {Mrutyunjaya Panda},
journal= {arXiv preprint arXiv:1610.07752},
year = {2016}
}
备注
21 pages, 2 Figures, 10 tables