原则性非线性特征选择
机器学习
2014-02-19 v2
摘要
最近采用贪心优化中心核目标对齐 (KTA) 的非线性特征选择方法在泛化准确性和稀疏性方面表现出强劲的结果。然而，对于大型数据集，这些方法在计算上是禁止的。我们提出了 randSel，一种具有良好缩放特性的随机化特征选择算法。我们对 randSel 的理论分析为正确识别相关特征提供了强有力的概率保证。RandSel 的特性使其成为识别信息性学习表示的理想候选者。我们进行了实验以确立该方法的性能，并展示了令人鼓舞的结果，包括在最近的 ICML 黑盒学习挑战中获得第三名，以及在生物信息学中的一个重要问题——信号肽预测方面取得了具有竞争力的结果。
引用
@article{arxiv.1312.5869,
title = {Principled Non-Linear Feature Selection},
author = {Dimitrios Athanasakis and John Shawe-Taylor and Delmiro Fernandez-Reyes},
journal= {arXiv preprint arXiv:1312.5869},
year = {2014}
}
备注
arXiv admin note: substantial text overlap with arXiv:1311.5636