MOANOFS: 基于多目标自动协商的在线特征选择系统用于大数据分类

特征选择(FS)在学习和分类任务中起着重要作用。FS 的目标是选出相关且非冗余的特征。考虑到现实应用中特征数量巨大,采用批学习技术的 FS 方法无法解决大数据问题,尤其在数据顺序到达时。本文提出一种解决该问题的在线特征选择系统。更具体地,我们将二分类的在线监督特征选择问题视为决策问题。对此问题的一种理念视角促成了两个重要领域的混合:基于在线学习技术的特征选择(OFS)与自动协商(AN)。所提出的 OFS 系统称为 MOANOFS(基于多目标自动协商的在线特征选择),采用两级决策。第一级中,从 n 个学习器(或 OFS 方法)中决定哪些是具有高置信度或信任值的 k 个可信学习器。这些被选中的 k 个学习器进入第二级。在该级中,我们集成所提出的基于多边自动协商的 OFS(MANOFS)方法,最终决定最佳解或相关特征。我们表明 MOANOFS 系统可成功应用于不同领域,并在多个现实应用中达到高准确率。索引词:特征选择,在线学习,多目标自动协商,信任,分类,大数据。