.png){kind=icon}
.png){kind=icon}
返回
A binary multi-objective optimization algorithm for large-scale feature selection problems
.png){kind=icon}
PRE
AI
DOI：10.1007/s12530-025-09767-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
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