噪声增强 Boruta：融入神经网络扰动的 Boruta 特征选择
机器学习
2023-09-19 v1 人工智能
神经与进化计算
摘要
随着数据生成的激增，无论在纵向（即数据量）还是横向（即维度）上，维度灾难的负担都日益显著。特征选择作为降维技术的关键方面，已取得长足进展以应对此挑战。其中一项进展是 Boruta 特征选择算法，它通过将有意义特征与其称为阴影特征的置换对应物对比，成功识别出有意义特征。然而，特征的重要性更多由数据整体特质而非其内在数值所塑造，这一看法在传统 Boruta 算法中亦有体现，其中阴影特征密切模仿原始特征的特性。基于此前提，本文提出一种将噪声引入阴影变量的 Boruta 特征选择算法创新方法。借鉴人工神经网络的扰动分析框架，给出了这一演化版 Boruta 方法。在四个公开基准数据集上的严格测试表明，该技术优于经典 Boruta 算法，凸显了其在增强、准确特征选择方面的潜力。
引用
@article{arxiv.2309.09694,
title = {Noise-Augmented Boruta: The Neural Network Perturbation Infusion with Boruta Feature Selection},
author = {Hassan Gharoun and Navid Yazdanjoe and Mohammad Sadegh Khorshidi and Amir H. Gandomi},
journal= {arXiv preprint arXiv:2309.09694},
year = {2023}
}
备注
8 pages, 4 figures, 8 tables, 4 algorithms