返回
A binary multi-objective optimization algorithm for large-scale feature selection problems
DOI:10.1007/s12530-025-09767-w.png)
摘要
En 中文
特征选择是处理大规模数据集的关键步骤,其目标在于识别一个能够保持或提升预测性能的最小特征子集。传统的多目标进化算法(MOEAs)在应用于高维数据时,常面临可扩展性、多样性保持和收敛速度方面的挑战。为解决这些问题,本研究提出了一种二进制多目标神经网络算法,该算法整合了新的学习策略,以应对大规模特征选择问题。一种新颖的模糊隶属度函数被用于有效的二进制编码,而一种新颖的偏向策略则增强了二进制模式学习。二进制形式在标准基准函数上进行了测试,并与5种最先进的算法进行比较,以验证其性能。此外,还融入了专为特征选择设计的非支配排序机制以及用于多样性保持的参考点策略。该算法在来自UCI仓库的十五个真实世界数据集上进行了评估,这些数据集的特征数量从60到超过2000不等。实验结果表明,所提出的方法不仅提高了分类准确率,还减少了所选特征的平均数量。与NSGA-II、SPEA2以及其他最先进的MOEAs相比,该方法还实现了更快的收敛速度。这些发现表明,所提出的方法在应对复杂、大规模特征选择任务方面具有巨大潜力。
Keyword:
Multi-objective
Feature selection
Neural network
Large scale
Binary
期刊
IF:
2.7
论文数:
252
被引数:
1.3K
机构
引用论文
A dynamic metaheuristic optimization model inspired by biological nervous systems: Neural network algorithm受生物神经系统启发的动态元启发式优化模型: 神经网络算法
Variable-Length Particle Swarm Optimization for Feature Selection on High-Dimensional Classification高维分类特征选择的变长粒子群算法
Feature selection and analysis on correlated gas sensor data with recursive feature elimination基于递归特征消除的气体传感器相关数据特征选择与分析
Cost-sensitive feature selection using two-archive multi-objective artificial bee colony algorithm基于双存档多目标人工蜂群算法的代价敏感特征选择

