EFSIS：集成稳定性的集成特征选择

可用于组合多个学习器预测的集成学习已广泛应用于模式识别，并被报道比单个学习器更鲁棒且更准确。这种集成逻辑近来也更多应用于特征选择。集成特征选择基本有两种策略，即数据扰动与函数扰动。数据扰动在从原始数据集中抽样得到的数据子集上执行特征选择，然后选取那些在多个数据子集中一致排名靠前的特征。已发现这可提升选择器的稳定性及分类器的预测精度。函数扰动使用户不必为给定情境决定最合适的选择器，其通过聚合多个选择器来工作。已发现这可保持或提升分类性能。在此我们提出一个结合这两种策略的框架 EFSIS。实证结果表明，EFSIS 兼具高预测精度与高稳定性。