基于内蕴维度 Morisita 估计量的回归问题特征选择
机器学习
2017-04-05 v6 机器学习
摘要
数据采集、存储和管理已有改进，但许多现象的关键因素尚不清楚。因此，无关和冗余特征人为增大了数据集规模，使回归等学习任务复杂化。针对此问题，已提出特征选择方法。本文提出一种基于内蕴维度 Morisita 估计量的新型有监督滤波器。它能识别相关特征并区分冗余与无关信息。此外，它提供结果的清晰图形表示，且易于用不同编程语言实现。利用具有不同复杂度、样本量和噪声水平的模拟数据集进行了综合数值实验。所提算法还在若干真实世界应用上成功测试，并与使用极限学习机的 RReliefF 进行比较。另外，提出并讨论了一种新的特征关联度度量。
引用
@article{arxiv.1602.00216,
title = {Feature Selection for Regression Problems Based on the Morisita Estimator of Intrinsic Dimension},
author = {Jean Golay and Michael Leuenberger and Mikhail Kanevski},
journal= {arXiv preprint arXiv:1602.00216},
year = {2017}
}