首页| 行业标准| 论文文档| 电子资料| 图纸模型
购买积分 购买会员 激活码充值

您现在的位置是:团子下载站 > 其他 > 使用多目标骨架粒子群优化的特征选择算法资料概述

使用多目标骨架粒子群优化的特征选择算法资料概述

  • 资源大小:0.89 MB
  • 上传时间:2021-06-22
  • 下载次数:0次
  • 浏览次数:40次
  • 资源积分:1积分
  • 标      签: 数据挖掘 算法

资 源 简 介

针对在分类问题中,数据之间存在大量的冗余特征,不仅影响分类的准确性,而且会降低分类算法执行速度的问题,提出了一种基于多目标骨架粒子群优化( BPSO)的特征选择算法,以获取在特征子集个数与分类精确度之间折中的最优策略。为了提高多目标骨架粒子群优化算法的效率,首先使用了一个外部存档,用来引导粒子的更新方向;然后通过变异算子,改善粒子的搜索空间;最后,将多目标骨架粒子群算法应用到特征选择问题中,并利用K近邻(KNN)分类器的分类性能和特征子集的个数作为特征子集的评价标准,对UCI数据集以及基因表达数据集的12个数据集进行实验。实验结果表明,所提算法选择的特征子集具有较好的分类性能,最小分类错误率最大可以降低7.4 010,并且分类算法的执行时间最多能缩短12S,能够有效提高算法的分类性能与执行速度。   特征选择是数据挖掘以及模式识别中一种重要的数据预处理步骤。高维数据特征往往包含大量冗余特征、不相关的和噪声特征。在数据分类问题中,分类性能常常被冗余的、不相关的和噪声特征影响,并增加了计算成本。特征选择的目的是选择出最少的、相关的和有用的特征,以便提高分类性能和降低计算成本。   根据特征子集的选择策略,特征选择方法可以分为两类:过滤式特征选择方法和封装式特征选择方法。过滤式特征选择的评价标准从数据集本身的内部特性获得,与学习算法无关,通常选择与类别相关度大的特征或特征子集;封装式特征选择方法是利用分类算法的性能来评价特征子集的优劣,采用搜索策略来寻找最优子集。过滤式特征选择方法由于特征选择的标准与学习算法无关,不需要分类器的训练步骤,因此其通用性比封装式特征选择方法强,复杂度比封装式特征选择方法低,但是过滤式特征子集在分类准确率方面比封装式特征选择方法低。
VIP VIP